Les traductions sont fournies par des outils de traduction automatique. En cas de conflit entre le contenu d'une traduction et celui de la version originale en anglais, la version anglaise prévaudra.

# Créer des systèmes RAG avec Amazon Novaréation de systèmes RAG avec Amazon Nova
<a name="rag-systems"></a>

**Note**  
Cette documentation concerne la version 1 d'Amazon Nova. Amazon Nova 2 est désormais disponible avec de nouveaux modèles et des fonctionnalités améliorées. Les nouvelles fonctionnalités et les mises à jour de la documentation sont publiées dans le guide de l'utilisateur Amazon Nova 2. Pour plus d'informations, consultez [l'article Nouveautés d'Amazon Nova 2](https://docs.aws.amazon.com/nova/latest/nova2-userguide/whats-new.html).

La génération à enrichissement contextuel (RAG) optimise la sortie d’un grand modèle de langage (LLM) en se référant à une base de connaissances faisant autorité en dehors de ses sources de données d’entraînement avant de générer une réponse. Cette approche permet de fournir au modèle des informations actuelles et d’assurer son ancrage dans des données exclusives à un domaine ou propriétaires. Elle fournit également une source d’informations contrôlable, que vous pouvez utiliser pour définir des contrôles d’accès à des contenus spécifiques et résoudre les problèmes dans les réponses.

RAG fonctionne en connectant un *générateur* (souvent un LLM) à une base de données de contenu (telle qu’un magasin de connaissances) via un *extracteur*. L’extracteur est chargé de trouver les informations pertinentes. Dans la plupart des applications métier, la base de données de contenu est un magasin de vecteurs, l’extracteur est un modèle de vectorisation et le générateur est un LLM. Pour plus d’informations, consultez [Génération à enrichissement contextuel (RAG)](https://aws.amazon.com/what-is/retrieval-augmented-generation/) et [Bases de connaissances Bedrock](https://docs.aws.amazon.com/bedrock/latest/userguide/kb-how-it-works.html).

Un système RAG comporte plusieurs composants. Ce guide se concentre sur la manière d’utiliser Amazon Nova comme LLM dans n’importe quel système RAG.

Vous pouvez utiliser les modèles Amazon Nova comme LLM dans un système RAG texte. Avec les modèles Amazon Nova, vous avez la possibilité de créer un système RAG à l'aide de bases de Amazon Bedrock connaissances ou de créer votre propre système RAG. Vous pouvez également associer votre base de connaissances à un agent dans les agents Amazon Bedrock afin d’ajouter des capacités RAG à l’agent. Pour plus d’informations, consultez [Automatiser les tâches dans votre application à l’aide d’agents conversationnels](https://docs.aws.amazon.com/bedrock/latest/userguide/agents.html).

**Topics**
+ [Utilisation des bases Amazon Bedrock de connaissances](rag-br-knowledge.md)
+ [Création d’un système RAG personnalisé avec Amazon Nova](rag-building.md)
+ [Utilisation d’Amazon Nova pour le RAG multimodal](rag-multimodal.md)