# Recherche hybride : élargir d’abord, classer ensuite.

Un pipeline concret qui combine filtres d’accès, BM25, recherche vectorielle, fusion, dédoublonnage, reclassement et évaluations séparées.

Version 1.0 · 2026-07-29 · 9 min

## Réponse courte

Appliquez les droits et le périmètre produit avant toute recherche. Utilisez la recherche lexicale pour les termes exacts et la recherche sémantique pour le sens. Réunissez leurs résultats, retirez les doublons puis reclassez un petit ensemble à partir de la question complète. Le modèle ne reçoit que les meilleurs éléments. Évaluez séparément la recherche, la pertinence, la fidélité aux sources et le résultat métier. Une architecture hybride n’est pas supérieure par principe. Sa complexité se justifie seulement si des questions représentatives montrent l’utilité de chaque étape.

## À retenir

- Appliquer les filtres d’accès avant de chercher les candidats.
- Combiner recherche lexicale et sémantique pour corriger des échecs différents, pas pour suivre une mode.
- Évaluer chaque étape afin qu’une bonne réponse ponctuelle ne masque pas une recherche fragile.

## Le langage d’un produit mêle identifiants exacts et intentions approximatives

Les utilisateurs citent des codes d’erreur, des libellés de champs et des sigles que la recherche lexicale trouve bien. Ils décrivent aussi un objectif avec des mots absents de la documentation, ce qui favorise la recherche sémantique. Un seul moteur manque souvent l’une de ces formes.

La solution n’est pas d’empiler tous les résultats. La fusion et le reclassement doivent produire un petit ensemble de sources complémentaires. Sinon, le modèle doit départager des passages répétés, faibles ou contradictoires, avec plus de coût et moins de clarté.

## Un pipeline de recherche exploitable en production

Chaque étape doit avoir une entrée, une sortie observable et une raison précise d’exister.

### 1. Filtrer

Appliquer l’organisation, la version du produit, le rôle, la langue et l’état des sources avant la recherche. La sécurité ne se règle pas au reclassement.

### 2. Chercher les correspondances exactes

Utiliser BM25 ou un équivalent pour les codes, les identifiants, le vocabulaire rare et les termes précis.

### 3. Chercher par le sens

Utiliser des embeddings pour les reformulations et la proximité de sens. Conserver les versions du modèle et du découpage pour rendre les résultats reproductibles.

### 4. Fusionner et dédoublonner

Réunir les classements avec une méthode stable, regrouper les passages répétés et préserver plusieurs sources lorsque cela sert la réponse.

### 5. Reclasser

Évaluer un nombre limité de candidats avec la question complète et le contexte produit. Éviter un reclasseur coûteux lorsque la première recherche suffit déjà.

### 6. Évaluer et mettre en cache

Mesurer d’abord la qualité de la recherche, puis la fidélité de la réponse et la réussite de la tâche. Mettre en cache les étapes stables avec une règle d’invalidation explicite.

## Exemples

### Code exact, explication plus large

BM25 retrouve le code d’erreur. La recherche sémantique trouve la procédure décrite avec d’autres mots. Le reclassement conserve les deux passages utiles.

### Guide réservé à un rôle

Le filtre de métadonnées retire les guides destinés aux autres rôles avant le lancement des deux moteurs.

### Documentation répétée

Le dédoublonnage évite qu’une même note de version copiée sur plusieurs pages occupe tout le contexte.

## Pièges fréquents

- Appliquer les droits après l’entrée du texte dans le contexte du modèle.
- Utiliser seulement les vecteurs pour les codes et les libellés exacts du produit.
- Augmenter le nombre de résultats jusqu’à trouver le bon passage, puis noyer la génération.
- Évaluer uniquement les réponses finales et ignorer une étape de recherche instable.
- Traiter l’évaluation produite par un modèle comme une vérité sans exemples calibrés.

## Checklist

1. Un jeu de questions représentatif contient des termes exacts, des reformulations et des contre-exemples.
2. Les filtres de métadonnées sont déterministes et testés.
3. Les résultats lexicaux et sémantiques peuvent être examinés sous une forme expurgée.
4. Les règles de fusion et de dédoublonnage restent stables.
5. Le reclassement porte sur un ensemble limité.
6. La recherche et la génération sont évaluées séparément.
7. Les changements de sources et les caches ont une politique d’invalidation.

## Limites

- La recherche hybride ajoute de l’infrastructure, du réglage et du travail d’évaluation.
- Un gain observé sur un benchmark public ne se transpose pas forcément à une documentation métier.
- Un reclasseur peut encore privilégier un passage fluide mais faux. Il doit être testé dans le domaine visé.

## Sources

1. [The Probabilistic Relevance Framework: BM25 and Beyond](https://doi.org/10.1561/1500000019) — Robertson and Zaragoza, 2009; nature: research.
2. [ColBERTv2: Effective and Efficient Retrieval via Lightweight Late Interaction](https://aclanthology.org/2022.naacl-main.272/) — Santhanam et al., 2022; nature: research.
3. [RAGAS: Automated Evaluation of Retrieval Augmented Generation](https://aclanthology.org/2024.eacl-demo.16/) — Es et al., 2024; nature: research.
4. [QMD: query Markdown with hybrid search](https://github.com/tobi/qmd) — Tobi Lütke, 2026; nature: field-practice.

## Questions fréquentes

### Les vecteurs sont-ils toujours nécessaires ?

Non. Commencez par une base simple. Une documentation courte, bien nommée et riche en termes produit peut être très bien servie par la recherche lexicale.

### Quelle taille doit avoir le contexte final ?

La plus petite possible tout en conservant les preuves nécessaires. Déterminez-la par l’évaluation, pas avec un nombre universel de jetons.

### Quelle place donner à QMD ?

QMD constitue un exemple de terrain intéressant pour la recherche hybride dans des fichiers Markdown. C’est une référence d’ingénierie, pas la preuve qu’un pipeline unique convient à tous les corpus.

---

Canonical: https://scoperail.fokalabs.io/fr/guides/recherche-hybride-reranking
Author: Ramzi Laieb, FokaLabs