People keep writing obituaries for RAG. You have probably seen the headlines by now. Long context windows killed it. Age

People keep writing obituaries for RAG. You have probably seen the headlines by now. Long context windows killed it. Agents replaced it. The whole pattern is obsolete. The truth is narrower and far more useful. RAG did not die. What actually collapsed was the comfortable illusion that you could split a pile of documents into chunks, feed them into a vector database, and suddenly own a reliable, truthful AI.

A few years ago, the pitch was seductive in its simplicity. Embed your knowledge base. Connect it to an LLM. Ask a question, and watch the model answer using only your retrieved data. For controlled demos and small FAQ bots, this honestly worked. A twenty-page help desk manual. A tidy internal wiki. The bot would more or less cite the right paragraph, and leadership would sign off on the pilot. But pilots are not production. Prototypes do not contain the scars of real business operations.

Production data is messy. It contains the same troubleshooting note copied across a dozen files, each with slightly different timestamps and conflicting status labels. It holds complex tables that bleed across pages, rendering nonsense when a splitter cuts them down the middle. It preserves contradictions without apology. The 2023 policy manual says one thing. The March 2024 amendment says another. The old PDF was never archived. The naive pattern of chunk, store, and retrieve treats every paragraph as an isolated island. It has no feel for hierarchy, version history, or conflict resolution. The model hallucinates not because the LLM is broken, but because the context it received was fragmented, orphaned, or outright wrong.

Some observers claim that million-token context windows make retrieval irrelevant. Their argument is straightforward. Just dump the entire corpus into the prompt and let the model read it all. This sounds elegant. It is also dangerously optimistic. A model may technically be able to ingest a volume of text equivalent to a short novel, yet locating one specific clause in the middle of that expanse remains an entirely different capability. Needles stay lost in haystacks. Long context windows expand the available canvas, but they do not solve the hard work of deciding what deserves a spot on that canvas. The problem was never simply retrieval. It is, and always has been, context assembly.

From Naive Retrieval to Context Engineering

In 2026, the field is maturing. We are moving past the phase where RAG was treated as a single linear pipeline and toward an architecture that treats context as a deliberately engineered product.

Hybrid search over pure semantics. Semantic similarity is excellent for understanding intent, but it is sloppy with precise identifiers. If an engineer queries a specific error code like ERR_CONNECTION_REFUSED or a software version like v3.2.1, pure vector search can dilute the exact match in a sea of conceptually similar but practically irrelevant results. The evolution here is straightforward. Modern systems combine dense vector retrieval with keyword search, using methods like BM25 or inverted indexes alongside embeddings. Exact names, error codes, version strings, and product IDs get caught by the keyword layer while conceptual nuance is handled by the vector layer.

Reranking before generation. Retrieval is naturally biased toward recall. You pull in forty or fifty chunks because you are terrified of missing the one golden paragraph. But feeding all of that noise into a large model wastes tokens and buries signal. Reranking solves this with a second, usually smaller model that scores each candidate for relevance against the specific query. The top five passages advance. The rest are discarded. It acts as a precision filter between retrieval and generation, ensuring the expensive reasoning model only reads what actually matters.

Contextual retrieval that preserves meaning. Chunking is a violent act. A splitter can sever a paragraph from its section header, its table caption, its surrounding legal disclaimer, or the footnote that modifies its meaning. Contextual retrieval mitigates this by enriching fragments before they ever reach the model. You prepend metadata indicating provenance: This excerpt belongs to the Q3 2024 incident report, Database Outage section, Severity Critical. The model sees not just a floating sentence but a situated piece of information. The fragment regains its bearings.

Routage modulaire par intention. Toutes les questions ne sont pas destinées à un magasin de vecteurs rempli de documentation. Un utilisateur demandant comment réinitialiser un mot de passe a probablement besoin d'un article d'aide. Un utilisateur demandant pourquoi le chiffre d'affaires a chuté dans le Nord-Est au dernier trimestre a besoin de SQL sur un entrepôt de données, et non d'un paragraphe sémantiquement similaire sur la stratégie de vente régionale. Les systèmes matures routent désormais les requêtes par intention, en sélectionnant l'outil approprié. La documentation pour les procédures. Les bases de données relationnelles pour l'analyse structurée. Les agrégateurs de logs pour le débogage de traces. Les API pour le statut en direct. La couche de récupération devient un répartiteur, et non une monoculture.

Boucles de raisonnement agentiques. Certaines questions ne peuvent pas être résolues par une seule étape de recherche. Elles nécessitent une reformulation. Une requête initiale vague est clarifiée. Les affirmations récupérées sont recoupées avec une seconde source. Si la documentation contredit la spécification de l'API, le système signale le conflit au lieu de fabriquer un compromis artificiel. Le modèle décide quand effectuer une nouvelle recherche, quand affiner sa requête et quand il a collecté suffisamment de preuves pour répondre. Il ne s'agit pas d'une récupération en une seule étape (one-shot). C'est un raisonnement structuré qui utilise la recherche comme une sous-routine.

GraphRAG pour les questions relationnelles. Certaines questions métier portent sur des connexions, pas sur des phrases. Quelle défaillance de composant a déclenché quelles alertes en aval ? Quel fournisseur alimente quelle usine, et quelle est la route alternative ? Qui, dans l'organisation, détient les droits de décision sur cette ligne budgétaire spécifique ? Les segments de texte plats (flat text chunks) aplatissent ces relations car ils n'ont jamais été conçus pour préserver la topologie. Les graphes de connaissances, eux, le font. Lorsque la question porte sur l'influence, le lignage, les modèles ou la structure du réseau, le parcours d'un graphe fournit un contexte qu'aucune quantité de récupération de paragraphes ne peut reproduire.

Les questions qui comptent vraiment

La conversation autour du RAG doit changer. Arrêtez de demander comment construire un pipeline RAG générique. Commencez à demander quelle tâche spécifique le modèle doit résoudre, quelles données exactes il nécessite pour être précis, et comment vous vérifiez que le contexte assemblé est suffisant. Ces questions vous poussent en amont vers la qualité des données, la conception de schémas, les boucles de vérification et la provenance des sources. Elles révèlent si votre base de connaissances est même adaptée à une consommation automatisée.

Le RAG n'est plus un processus linéaire unique que l'on installe une fois pour toutes. C'est une discipline consistant à assembler le bon contexte pour qu'un modèle puisse raisonner efficacement. Cela signifie traiter la récupération comme un problème de conception de système, et non comme un simple import de bibliothèque.

Les outils s'affinent. La recherche est hybride. Le routage est intelligent. La récupération est classée, enrichie et vérifiée. Les illusions simples de 2022 ont dû s'effondrer pour que quelque chose de véritablement utile puisse prendre leur place. Votre travail consiste désormais non pas simplement à récupérer du texte dans une base de données, mais à construire des systèmes qui savent ce dont le modèle a besoin avant même qu'il ne commence à réfléchir.

Si vous travaillez dans ce domaine, la communauté d'apprentissage GyaanSetu est un endroit pour échanger des notes pratiques avec des personnes résolvant les mêmes problèmes : https://t.me/GyaanSetuAi