> ## Documentation Index
> Fetch the complete documentation index at: https://ai.aidalinfo.fr/llms.txt
> Use this file to discover all available pages before exploring further.

# RAG

> Construire un pipeline RAG avec @ai_kit/rag, embeddings OpenAI et MemoryVectorStore.

### Installation

```bash theme={null}
npm i @ai_kit/rag
```

### Quickstart (recherche seule)

```ts theme={null}
import { createRag, MemoryVectorStore, RagDocument } from "@ai_kit/rag";
import { openai } from "@ai-sdk/openai";

const rag = createRag({
  embedder: openai.embedding("text-embedding-3-small"),
  store: new MemoryVectorStore(),
  chunker: { size: 240, overlap: 40 },
});

const doc = RagDocument.fromText(
  "Paris est la capitale de la France. Lyon est connue pour sa gastronomie. Marseille est un grand port sur la Mediterranee."
);

await rag.ingest({ namespace: "demo", documents: [doc] });

const results = await rag.search({
  namespace: "demo",
  query: "Quelle ville est la capitale de la France ?",
  topK: 3,
});

console.log(results.map((result) => ({ score: result.score, text: result.chunk.text })));
```

### Ajouter des métadonnées d’ingestion

```ts theme={null}
await rag.ingest({
  namespace: "demo",
  documents: [RagDocument.fromText("Paris est la capitale de la France", { lang: "fr" })],
  metadata: { tenant: "fr" }, // fusionné dans les métadonnées de chaque chunk
});

const results = await rag.search({
  namespace: "demo",
  query: "capitale",
  filter: { tenant: "fr" }, // utilisable avec MemoryVectorStore et PgVectorStore
});
```

### Notes

* `MemoryVectorStore` est pratique pour prototyper ; passez à `PgVectorStore` pour la persistance.
* `answer` enchaîne `search` + génération si vous voulez la réponse complète ; `answer.stream` permet le streaming si le modèle le supporte.