La knowledge base : pas un dossier de fichiers, un système de récupération

On imagine souvent une knowledge base comme un dossier de fichiers qu’on partage avec une IA, pour qu’elle « ait le contexte ». L’image est trompeuse, et elle conduit à mal la construire.

Une knowledge base n’est pas un dossier de fichiers : c’est un système de récupération ancrée que vous configurez localement. Quand vous créez un Projet sur Claude, un Projet sur ChatGPT ou un Gem sur Gemini, le modèle ne se contente pas de « lire » vos documents. À chaque question, il y opère une récupération ciblée — il identifie les passages pertinents de votre corpus et s’appuie dessus pour répondre. C’est le même mécanisme déterministe que celui qui sous-tend les moteurs IA à l’échelle du web, ramené à votre projet.

Cette nature change la façon de construire la base. Un système de récupération ne fonctionne pas par accumulation, mais par éligibilité : ce qui est utilisé n’est pas forcément ce qui est important, c’est ce qui est lisible, repérable et isolable au moment précis où le modèle en a besoin. Autrement dit, la manière dont vous structurez et rédigez vos documents détermine ce que le modèle en retire — et la qualité de ce qu’il produit avec vous.

Reste à savoir comment on construit une base réellement exploitable. La méthode complète — la structure en neuf documents complémentaires, les règles de formatage qui la rendent lisible par le modèle, et la discipline de maintenance qui la garde pertinente — est dans l’article.

Lire l'article complet