L'essentiel : LightOn Console prend en charge toute la couche knowledge (parsing hiérarchique, retrieval hybride, reranker, RBAC par workspace, connecteurs). Idun Agent Platform prend en charge le runtime côté agent (LangGraph + Google ADK, découverte MCP, versioning de prompts, observabilité, SSO). Un serveur MCP qui expose 9 outils fait le pont entre les deux. On a sorti un agent RAG sur des documents RH français en moins de 300 lignes de Python. Architecture et code complets ci-dessous.
Construire un agent RAG, ce n'est plus là que ça coince. Ce qui coince, c'est tout ce qu'il y a autour. Choisir une base vectorielle, écrire un parser qui ne casse pas les tableaux, calibrer un chunker, ajouter un reranker, puis bâtir l'isolation par workspace et le contrôle d'accès par-dessus. Et tout refaire côté agent. Endpoints API, versioning de prompts, observabilité, authentification. Au bout du compte, la logique métier ne pèse plus qu'une fraction du code.
On a construit un agent RAG pour montrer comment LightOn Console et Idun Agent Platform vous enlèvent ces problèmes des mains.
Le code source est sur GitHub.
LightOn Console fournit toute la couche knowledge en plateforme. Vous uploadez vos documents, Console fait le reste : parsing, chunking, embedding, retrieval hybride, reranking, contrôle d'accès. Toutes les briques qu'un projet RAG doit habituellement coder lui-même sont déjà là.
Upload direct : PDF, DOCX, PPTX, TXT, Markdown, HTML, XLSX, CSV et d'autres. Ou via un connecteur sur une source externe. Console couvre Google Drive, SharePoint, Teams, ServiceNow et du web scraping. Les connecteurs synchronisent automatiquement sur un planning, donc votre base de connaissances reste à jour sans intervention.
Quand un document arrive, Console le passe dans un pipeline d'indexation complet. Un parser hiérarchique (v2.2.1 dans la release actuelle) le convertit en texte structuré tout en préservant l'organisation propre au document : titres, sections, listes imbriquées, tableaux. Un pipeline vision séparé prend en charge le visuel : graphiques, schémas, pages scannées, notes manuscrites. Un endpoint OCR basé sur un VLM convertit le visuel en Markdown en gardant la mise en page spatiale. Chaque fichier expose deux statuts de traitement (texte et vision), pour qu'on sache quand tout est prêt.
Après le parsing, un chunker hiérarchique découpe le contenu en suivant la structure du document plutôt que des fenêtres de tokens à taille fixe. Le pipeline est complet : chaque chunk embarque des métadonnées riches : numéros de page, coordonnées dans la page, version du parser, décompte de tokens, hashes de contenu.
Quand vous faites une requête, la plateforme lance une recherche par embedding et une recherche par mots-clés en parallèle, fusionne les candidats, puis applique le reranker. Chaque chunk revient avec quatre scores : distance vectorielle, score lexical, score combiné, certitude du reranker. Vous choisissez combien de candidats passent au reranking (top_k, jusqu'à 100) et combien de résultats sortent (top_n, jusqu'à 50).
Sur nos tests avec des documents RH français, où la langue oscille entre du conversationnel et du juridique formel, le retrieval a systématiquement remonté les bonnes sections. C'est loin d'être évident sur du contenu mixte.
