RAG, KAG, CAG et la suite : donner de la connaissance à ton IA

Un modèle de langage a deux limites bien connues : il ne connaît pas tes données privées, et ses connaissances s’arrêtent à sa date d’entraînement. Il peut aussi inventer des réponses avec aplomb. Pour corriger ça, on lui fournit les bonnes informations au bon moment. Trois techniques portent des noms qui reviennent partout : RAG, KAG et CAG. Voici comment elles fonctionnent, et surtout ce qui a changé depuis.

RAG : le bibliothécaire

Le RAG, pour Retrieval-Augmented Generation, est de loin le plus répandu. L’idée est simple : avant de répondre, le système va chercher dans une base documentaire les passages pertinents, les ajoute à la question, et le modèle rédige sa réponse à partir de ce contexte enrichi¹.

C’est comme un bibliothécaire qui trouve les bons livres avant que tu ne répondes. Le gros avantage, c’est que tu exploites tes propres documents sans réentraîner le modèle, et que tu réduis fortement les hallucinations en ancrant les réponses dans des sources réelles¹. La contrepartie : la qualité dépend entièrement de la qualité de la recherche, et l’étape de récupération ajoute un peu de latence.

KAG : l’expert qui raisonne

Le KAG, pour Knowledge-Augmented Generation, va plus loin que la simple ressemblance de texte. Il s’appuie sur un graphe de connaissances qui structure l’information en entités et en relations, ce qui permet un raisonnement en plusieurs étapes².

Là où le RAG retrouve des passages proches, le KAG comprend les liens entre les faits. Dans un domaine médical, il peut savoir que l’aspirine traite les maux de tête, mais aussi qu’elle est déconseillée en cas de troubles de la coagulation. C’est précieux pour le droit, la finance ou la médecine. Le prix à payer, c’est l’effort de construction et de maintenance du graphe.

CAG : la mémoire préchargée

Le CAG, pour Cache-Augmented Generation, prend le problème à l’envers. Plutôt que de chercher à chaque question, il précharge directement les connaissances stables dans le contexte du modèle³. Cette approche est devenue réaliste grâce aux grandes fenêtres de contexte des modèles récents.

Résultat : des réponses quasi instantanées, sans base vectorielle à gérer. Le revers est évident. Ça ne marche que pour des données figées, et tu es limité par la taille du contexte. Parfait pour un chatbot interne sur des règles qui bougent peu, inadapté à des informations fraîches.

Comment choisir, en une ligne

• Tu as besoin de rapidité sur des données stables : CAG.
• Tu raisonnes sur des données techniques très structurées : KAG.
• Tes informations changent souvent : RAG.

Ces approches ne s’excluent pas. Les systèmes sérieux en combinent souvent plusieurs³.

Ce qui a changé : l’Agentic RAG et le GraphRAG

Si tu écris ou lis sur le sujet en 2026, ce trio ne suffit plus à décrire le paysage. Deux approches ont pris le dessus.

Le GraphRAG, popularisé par Microsoft, construit un graphe d’entités et de relations à partir de ton corpus, puis s’en sert pour répondre à des questions globales qu’un RAG classique rate, du type « quels sont les grands thèmes de ces mille documents »⁴. C’est en quelque sorte la rencontre du RAG et de l’esprit du KAG.

L’Agentic RAG est sans doute le vrai tournant. Au lieu d’une récupération unique et figée, c’est le modèle, en tant qu’agent capable d’appeler des outils, qui décide quand chercher, quoi chercher, et s’il doit relancer une recherche après avoir lu un premier résultat⁵. On passe d’un pipeline rigide à une récupération pilotée par le raisonnement, avec auto-correction et étapes multiples.

L’essentiel à retenir

RAG, KAG et CAG restent un bon cadre pour comprendre les bases : retrouver, structurer, ou précharger la connaissance. Mais la direction prise depuis 2025 est claire. La récupération devient agentique, le modèle reprend la main sur sa propre recherche, et les graphes s’invitent pour répondre à des questions de plus haut niveau. C’est précisément ce que les frameworks d’agents comme LangGraph permettent d’orchestrer.