Vous êtes dans un entretien d'ingénieur en IA chez Google. L'intervieweur demande : "Nos données sont réparties sur plusieurs sources (Salesforce, Gmail, Drive, etc.) Comment construiriez-vous un moteur de requête unifié dessus ?" Vous : "Je vais tout intégrer dans une base de données vectorielle et faire du RAG." Entretien terminé ! De nombreux développeurs pensent encore que la récupération de contexte est un pipeline linéaire : Chunk → Embed → Retrieve → Generate Cela fonctionne très bien pour des démonstrations simples, mais les systèmes de production ont besoin de quelque chose de fondamentalement différent. Pour mieux comprendre, considérez cette requête : "Comparez notre performance de ventes du Q4 dans la région de Chicago par rapport aux projections de l'année dernière formulées lors d'une réunion avec les parties prenantes." Cette requête unique nécessite : - Données de ventes de votre base de données SQL - Relations graphiques (hiérarchie organisationnelle) - Recherche vectorielle sur les rapports de projection - Filtrage temporel (Q4 cette année contre l'année dernière) - Vérifications des autorisations (pour l'autorisation des utilisateurs) ...