Construire un RAG avec Agno

# Installation minimale pour le RAG
pip install agno openai lancedb tantivy pypdf

# tantivy = moteur de recherche full-text (nécessaire pour la recherche hybride)
# pypdf = lecture de fichiers PDF

from agno.agent import Agent
from agno.knowledge.embedder.openai import OpenAIEmbedder
from agno.knowledge.knowledge import Knowledge
from agno.models.openai import OpenAIResponses
from agno.vectordb.lancedb import LanceDb, SearchType

# 1. Configurer la Knowledge Base
knowledge = Knowledge(
    vector_db=LanceDb(
        uri="tmp/lancedb",                    # Dossier local pour les données
        table_name="mes_documents",           # Nom de la table
        search_type=SearchType.hybrid,        # Sémantique + mots-clés
        embedder=OpenAIEmbedder(id="text-embedding-3-small"),
    ),
)

# 2. Charger des documents
knowledge.insert(url="https://agno-public.s3.amazonaws.com/recipes/ThaiRecipes.pdf")

# 3. Créer l''Agent avec la Knowledge Base
agent = Agent(
    model=OpenAIResponses(id="gpt-4o"),
    knowledge=knowledge,
    instructions="Cherche dans ta base de connaissances avant de répondre. Sois concis.",
    markdown=True,
)

# 4. Poser une question
agent.print_response("Comment préparer un Pad Thai ?", stream=True)

knowledge.insert(path="./documents/guide-utilisateur.pdf")

knowledge.insert(url="https://example.com/documentation.pdf")

knowledge.insert(text="""
Le RAG (Retrieval Augmented Generation) est une technique qui combine
la recherche d''information avec la génération de texte par un LLM.
Il permet de réduire les hallucinations en ancrant les réponses
dans des documents réels.
""")

import glob

for pdf_path in glob.glob("./documents/*.pdf"):
    knowledge.insert(path=pdf_path)
    print(f"Indexé : {pdf_path}")

from agno.models.openai import OpenAIResponses

model = OpenAIResponses(id="gpt-4o")          # Le plus capable
model = OpenAIResponses(id="gpt-4o-mini")     # Rapide et pas cher

from agno.models.anthropic import Claude

model = Claude(id="claude-sonnet-4-20250514")

from agno.models.google import Gemini

model = Gemini(id="gemini-2.0-flash")

from agno.models.ollama import Ollama

model = Ollama(id="llama3.1:8b")

from agno.knowledge.embedder.openai import OpenAIEmbedder

embedder = OpenAIEmbedder(id="text-embedding-3-small")   # 1536 dims, pas cher
embedder = OpenAIEmbedder(id="text-embedding-3-large")   # 3072 dims, meilleur

from agno.knowledge.embedder.cohere import CohereEmbedder

embedder = CohereEmbedder(id="embed-v4.0")

LanceDb(
    search_type=SearchType.vector,  # Sémantique pure
    embedder=embedder,
)

LanceDb(
    search_type=SearchType.hybrid,  # Sémantique + mots-clés
    embedder=embedder,
)

LanceDb(
    search_type=SearchType.keyword,  # BM25/TF-IDF
    embedder=embedder,
)

mkdir mon-rag && cd mon-rag
pip install agno openai lancedb tantivy pypdf
export OPENAI_API_KEY="sk-..."

# mon_rag.py
from agno.agent import Agent
from agno.knowledge.embedder.openai import OpenAIEmbedder
from agno.knowledge.knowledge import Knowledge
from agno.models.openai import OpenAIResponses
from agno.vectordb.lancedb import LanceDb, SearchType

# Knowledge Base
knowledge = Knowledge(
    vector_db=LanceDb(
        uri="tmp/lancedb",
        table_name="ma_doc",
        search_type=SearchType.hybrid,
        embedder=OpenAIEmbedder(id="text-embedding-3-small"),
    ),
)

# Charger vos documents (remplacez par vos fichiers)
knowledge.insert(text="""
# FAQ Entreprise

## Comment poser des congés ?
Connectez-vous sur l''intranet > RH > Congés. Sélectionnez les dates
et validez. Votre manager recevra une notification et devra approuver
dans les 48h.

## Quel est le dress code ?
Le dress code est smart casual du lundi au jeudi.
Le vendredi est casual. Les réunions clients nécessitent une tenue formelle.

## Comment réserver une salle de réunion ?
Utilisez l''application Outlook ou Google Calendar. Les salles sont
préfixées par l''étage : S1-A, S2-B, etc. Réservez au minimum 30 min
à l''avance.
""")

# Agent
agent = Agent(
    model=OpenAIResponses(id="gpt-4o-mini"),
    knowledge=knowledge,
    instructions=[
        "Tu es l''assistant RH de l''entreprise.",
        "Cherche TOUJOURS dans ta base de connaissances avant de répondre.",
        "Si l''information n''est pas dans tes documents, dis-le clairement.",
        "Réponds en français, de manière concise et professionnelle.",
    ],
    markdown=True,
)

# Boucle de chat
print("Assistant RH (tapez ''quit'' pour quitter)\n")
while True:
    question = input("Vous : ")
    if question.lower() == "quit":
        break
    agent.print_response(question, stream=True)
    print()

python mon_rag.py
# Vous : Comment je pose mes congés ?
# → "Connectez-vous sur l''intranet > RH > Congés..."
# Vous : C''est quoi le dress code le vendredi ?
# → "Le vendredi est casual."
# Vous : Quel est le salaire moyen ?
# → "Je n''ai pas cette information dans ma base de connaissances."