🧠 Architecture du Chatbot RAG - Stop Surendettement

📊 Flux complet quand tu poses une question

┌─────────────────────────────────────────────────────────────────────────────┐
│                        TU POSES UNE QUESTION                                │
│                    "Comment faire un budget ?"                              │
└─────────────────────────────────────────────────────────────────────────────┘
                                    │
                                    ▼
┌─────────────────────────────────────────────────────────────────────────────┐
│  ÉTAPE 1: GÉNÉRATION DE L'EMBEDDING DE TA QUESTION                          │
│                                                                             │
│  Ta question → API Infomaniak (bge_multilingual_gemma2)                     │
│                     │                                                       │
│                     ▼                                                       │
│  "Comment faire un budget ?" → [0.012, -0.045, 0.089, ... 3584 nombres]    │
│                                                                             │
│  Ce vecteur représente le SENS de ta question dans un espace mathématique   │
└─────────────────────────────────────────────────────────────────────────────┘
                                    │
                                    ▼
┌─────────────────────────────────────────────────────────────────────────────┐
│  ÉTAPE 2: RECHERCHE DANS LA BASE VECTORIELLE (SQLite)                       │
│                                                                             │
│  On compare ton vecteur avec TOUS les vecteurs stockés :                    │
│                                                                             │
│  Ta question:  [0.012, -0.045, 0.089, ...]                                  │
│       vs                                                                    │
│  Chunk 1 "Budget":     [0.011, -0.043, 0.091, ...] → Similarité: 0.81 ✅   │
│  Chunk 2 "Impôts":     [0.089, 0.012, -0.034, ...] → Similarité: 0.45      │
│  Chunk 3 "Poursuites": [0.067, -0.023, 0.056, ...] → Similarité: 0.52      │
│  ...                                                                        │
│                                                                             │
│  Formule: Similarité Cosinus = (A·B) / (||A|| × ||B||)                     │
│  Plus proche de 1 = plus similaire sémantiquement                           │
└─────────────────────────────────────────────────────────────────────────────┘
                                    │
                                    ▼
┌─────────────────────────────────────────────────────────────────────────────┐
│  ÉTAPE 3: SÉLECTION DES 5 MEILLEURS CHUNKS                                  │
│                                                                             │
│  Les chunks les plus pertinents sont retournés :                            │
│                                                                             │
│  1. "Budget (part 2)" - score 0.81                                          │
│  2. "Adresses utiles" - score 0.65                                          │
│  3. "Changements de situation" - score 0.58                                 │
│  4. ...                                                                     │
└─────────────────────────────────────────────────────────────────────────────┘
                                    │
                                    ▼
┌─────────────────────────────────────────────────────────────────────────────┐
│  ÉTAPE 4: CONSTRUCTION DU PROMPT POUR L'IA                                  │
│                                                                             │
│  ┌─────────────────────────────────────────────────────────────────────┐   │
│  │ Tu es un assistant du site "Stop Surendettement Genève".            │   │
│  │ Tu réponds en français, de manière empathique.                      │   │
│  │ Base-toi UNIQUEMENT sur le contexte fourni.                         │   │
│  │                                                                     │   │
│  │ CONTEXTE DU SITE:                                                   │   │
│  │ [Budget]                                                            │   │
│  │ Pour bien gérer l'argent, on doit faire un budget en notant        │   │
│  │ ce qu'on gagne et ce qu'on dépense...                              │   │
│  │ Source: https://surendettement.test/eviter-les-dettes/budget/      │   │
│  │                                                                     │   │
│  │ [Adresses utiles]                                                   │   │
│  │ Adresses où trouver de l'aide...                                   │   │
│  │                                                                     │   │
│  │ QUESTION: Comment faire un budget ?                                 │   │
│  └─────────────────────────────────────────────────────────────────────┘   │
└─────────────────────────────────────────────────────────────────────────────┘
                                    │
                                    ▼
┌─────────────────────────────────────────────────────────────────────────────┐
│  ÉTAPE 5: APPEL À L'IA (Mistral 24B)                                        │
│                                                                             │
│  Le prompt complet est envoyé à l'API Infomaniak                            │
│  Modèle: mistral24b (Mistral-Small-3.2-24B-Instruct)                       │
│                                                                             │
│  L'IA lit le contexte et génère une réponse basée sur TON contenu           │
└─────────────────────────────────────────────────────────────────────────────┘
                                    │
                                    ▼
┌─────────────────────────────────────────────────────────────────────────────┐
│  ÉTAPE 6: RÉPONSE AFFICHÉE                                                  │
│                                                                             │
│  "Pour faire un budget, vous devez noter vos revenus et vos dépenses.      │
│   Commencez par lister ce que vous gagnez chaque mois, puis ce que         │
│   vous dépensez. Cela permet de voir si vous pouvez tout payer..."         │
│                                                                             │
│  + Sources affichées : [Budget] [Adresses utiles]                          │
└─────────────────────────────────────────────────────────────────────────────┘

🔑 Concepts clés

1. Embedding (Vecteur)

C'est une représentation mathématique du SENS d'un texte.

"chat"    → [0.1, 0.8, 0.2, ...]
"chien"   → [0.15, 0.75, 0.25, ...] ← Proche de "chat" (animaux)
"voiture" → [0.9, 0.1, 0.7, ...]   ← Loin de "chat"

Les mots/phrases avec un sens similaire ont des vecteurs proches !

2. Similarité Cosinus

Mesure l'angle entre deux vecteurs (pas la distance) :

Score	Signification
1.0	Identique
0.8+	Très similaire
0.5	Moyennement lié
0.0	Aucun rapport

Formule :

similarité = (A · B) / (||A|| × ||B||)

3. RAG (Retrieval Augmented Generation)

RAG = Recherche + Génération

1. RECHERCHE : Trouver les infos pertinentes dans TA base
2. GÉNÉRATION : L'IA génère une réponse basée sur ces infos

Avantage : L'IA ne peut pas "halluciner" car elle se base sur ton contenu !

📁 Fichiers du système

Fichier	Rôle
`chatbot-vector-store.php`	Base vectorielle SQLite + embeddings
`chatbot-context-generator.php`	Proxy API + génération contexte JSON
`index.js`	Frontend chatbot + logique RAG
`chatbot.blade.php`	Template UI du chatbot
`Chatbot.php`	Bloc Gutenberg ACF

🔌 APIs utilisées

Infomaniak AI Tools

Endpoint	Usage
`/1/ai/{product_id}/openai/chat/completions`	Génération de texte
`/1/ai/{product_id}/openai/v1/embeddings`	Génération d'embeddings

Modèles

Modèle	Type	Usage
`mistral24b`	LLM	Réponses du chatbot
`bge_multilingual_gemma2`	Embedding	Vectorisation (3584 dim)

📊 Base de données SQLite

Fichier : wp-content/uploads/chatbot-vectors.db

Table `chunks`

Colonne	Type	Description
`id`	INTEGER	Clé primaire
`source_type`	TEXT	"post" ou "pdf"
`source_id`	TEXT	ID du post ou hash du PDF
`title`	TEXT	Titre du chunk
`content`	TEXT	Contenu texte
`url`	TEXT	Lien vers la source
`metadata`	TEXT	JSON (post_type, chunk_index, etc.)
`embedding`	BLOB	Vecteur sérialisé (3584 dimensions)

⏱️ Performance

Étape	Temps
Embedding de la question	~200ms
Recherche dans les chunks	~50ms
Appel à Mistral 24B	~3-8s
Total	~4-9s

🔧 Endpoints REST

Endpoint	Méthode	Description
`/wp-json/chatbot/v1/context`	GET	Contexte JSON (fallback)
`/wp-json/chatbot/v1/chat`	POST	Proxy vers l'IA
`/wp-json/chatbot/v1/search`	POST	Recherche sémantique
`/wp-json/chatbot/v1/stats`	GET	Statistiques du store

🚀 Évolutions possibles

Ajouter des PDFs - Via l'interface admin
Améliorer le chunking - Découpage plus intelligent
Cache des embeddings - Pour les questions fréquentes
Historique des conversations - Stocker en base
Analytics - Suivre les questions posées
Migration vers Qdrant - Si >10K documents

Documentation générée le 12 décembre 2024