PKM vs RAG vs Wiki vs Systèmes de mémoire : une explication claire

PKM, RAG, wikis et les systèmes de mémoire IA sont souvent discutés comme s’ils résolvaient le même problème. Ce n’est pas le cas. Ils traitent tous de la connaissance, mais ils opèrent à différents niveaux :

• Le PKM aide les humains à penser.
• Les wikis aident les groupes à préserver la connaissance partagée.
• Le RAG aide les machines à récupérer des connaissances externes.
• Les systèmes de mémoire aident les agents IA à maintenir le contexte dans le temps.

Confondre ces systèmes conduit à une mauvaise architecture.

On obtient des wikis remplis de notes personnelles, des systèmes RAG sans source de vérité, des couches de mémoire se faisant passer pour des bases de données et des outils PKM surchargés d’automatisations qu’ils n’ont jamais été conçus pour gérer.

Un meilleur modèle consiste à les voir comme différentes parties d’un spectre de systèmes de connaissances.

Cet article compare le PKM, le RAG, les wikis et les systèmes de mémoire IA par leur structure, leur récupération, leur propriété, leur évolution et leurs cas d’utilisation réels.

En bref

Système	Utilisateur principal	Objectif principal	Idéal pour
PKM	Individuel	Développer la connaissance personnelle	Réflexion, apprentissage, synthèse
Wiki	Équipe ou groupe public	Maintenir la connaissance partagée	Documentation, politiques, référence
RAG	Système machine	Récupérer le contexte pour la génération	Réponses IA sur des données externes
Mémoire IA	Agent IA	Pérenniser le contexte dans le temps	Agents à long terme et personnalisation

La distinction la plus importante est la suivante :

Le PKM et les wikis structurent la connaissance. Le RAG récupère la connaissance. Les systèmes de mémoire font évoluer le contexte de l’agent.

C’est le modèle mental fondamental.

Pourquoi ces systèmes sont confondus

Ils se chevauchent dans leur comportement visible.

Tous peuvent :

• stocker des notes
• récupérer des informations
• répondre aux questions
• organiser les références
• connecter les idées

Mais ils diffèrent par leur intention.

Un système PKM n’est pas juste un wiki privé. Un wiki n’est pas juste une base de données RAG. Un pipeline RAG n’est pas une mémoire IA. Un système de mémoire IA n’est pas un remplacement pour la documentation structurée.

La confusion vient du traitement de la “connaissance” comme d’un seul bloc.

En pratique, la connaissance a plusieurs couches :

1. Capture
2. Structure
3. Récupération
4. Interprétation
5. Réutilisation
6. Évolution

Différents systèmes optimisent différentes étapes.

Les quatre paradigmes

1. PKM

PKM signifie gestion des connaissances personnelles.

C’est la pratique de capturer, organiser, connecter et utiliser la connaissance pour un travail personnel.

Les systèmes PKM typiques incluent :

• Obsidian
• Logseq
• Notion
• des dossiers Markdown simples
• systèmes Zettelkasten
• systèmes de “deuxième cerveau”

Le PKM est piloté par l’humain.

L’objectif n’est pas seulement le stockage. L’objectif est une meilleure réflexion.

Ce en quoi le PKM est bon

Le PKM fonctionne bien pour :

• apprendre un nouveau domaine
• développer des idées originales
• connecter des notes dans le temps
• écrire des articles ou des livres
• suivre la recherche personnelle
• construire un deuxième cerveau

Un bon système PKM est désordonné d’une manière utile. Il soutient les pensées inachevées, les idées partielles, le contexte privé et les concepts évolutifs.

C’est pourquoi le PKM n’est pas la même chose que la documentation.

La documentation veut de la clarté. Le PKM tolère l’ambiguïté.

Modes d’échec du PKM

Le PKM échoue souvent lorsqu’il devient :

• une poubelle
• un projet de taxonomie de dossiers
• une esthétique de productivité
• un passe-temps d’optimisation d’outils
• une archive privée que personne n’utilise

Le risque principal est la collecte sans synthèse.

Si vous ne faites que sauvegarder des informations, vous n’avez pas un système de connaissances. Vous avez une décharge personnelle.

Point de vue

Le PKM devrait optimiser la réutilisation, pas la capture.

Capturer tout semble productif, mais cela crée de la dette. La vraie valeur apparaît lorsque les notes deviennent connectées, réécrites, compressées et utilisées dans la production.

2. Wiki

Un wiki est une base de connaissances structurée conçue pour la référence partagée.

Les systèmes wiki typiques incluent :

• DokuWiki
• MediaWiki
• Confluence
• BookStack
• sites de documentation basés sur Git
• bases de connaissances d’entreprise internes

Un wiki est généralement plus formel que le PKM.

Il devrait répondre à :

Que savons-nous, et où est la version actuelle ?

Ce en quoi les wikis sont bons

Les wikis fonctionnent bien pour :

• la documentation d’équipe
• les manuels opérationnels
• la connaissance produit
• les documents politiques
• la référence technique
• le matériel d’intégration
• la connaissance de domaine stable

Un wiki est un contrat social.

Il dit :

Cette page est l’endroit où cette connaissance vit.

Cela rend la propriété et la maintenance critiques.

Modes d’échec des wikis

Les wikis échouent souvent parce qu’ils deviennent obsolètes.

Problèmes courants :

• pas de propriétaires de page
• captures d’écran périmées
• pages dupliquées
• versions canoniques floues
• trop de hiérarchie
• pas de rythme de maintenance

Un wiki avec des informations anciennes est pire qu’aucun wiki, car il crée une fausse confiance.

Point de vue

Un wiki devrait être ennuyeux.

C’est un compliment.

Un bon wiki n’est pas l’endroit où les idées naissent. C’est l’endroit où la connaissance stable est préservée après qu’elle est devenue utile aux autres.

3. RAG

RAG signifie génération augmentée par la récupération.

C’est une architecture IA où un système récupère des informations externes pertinentes avant de demander à un modèle de langage de générer une réponse.

Un pipeline RAG de base a généralement :

1. Documents
2. Découpage (Chunking)
3. Embeddings ou index de recherche
4. Récupération
5. Ré-ordonnancement optionnel
6. Assemblage de l’invite (Prompt)
7. Génération LLM

Le RAG est piloté par la machine.

L’objectif n’est pas de créer de la connaissance. L’objectif est de donner au modèle un contexte pertinent au moment de la requête.

Ce en quoi le RAG est bon

Le RAG fonctionne bien pour :

• la réponse aux questions sur des documents
• les assistants de recherche internes
• les bots d’assistance
• les assistants de documentation technique
• la recherche de conformité
• la recherche sur de grands corpus
• connecter les LLMs à des informations mises à jour

Le RAG est particulièrement utile lorsque le modèle ne peut ou ne doit pas mémoriser l’information.

Modes d’échec du RAG

Le RAG échoue souvent lorsque les équipes le traitent comme une recherche magique.

Problèmes courants :

• mauvais découpage
• récupération faible
• contexte bruyant
• métadonnées manquantes
• pas de source de vérité
• documents périmés
• évaluation faible
• pas de boucle de rétroaction humaine

Le RAG ne corrige pas une mauvaise gestion des connaissances.

Si le contenu sous-jacent est fragmenté, obsolète ou contradictoire, le système RAG fera surface ce désordre avec confiance.

Point de vue

Le RAG n’est pas une stratégie de connaissance.

Le RAG est une stratégie d’accès.

Il aide les machines à accéder à la connaissance, mais il ne décide pas quelle connaissance est valide, maintenue, canonique ou utile.

4. Systèmes de mémoire IA

Les systèmes de mémoire IA donnent aux agents un contexte persistant au-delà d’une seule invite ou conversation.

Ils peuvent stocker :

• les préférences utilisateur
• les décisions passées
• les faits à long terme
• l’historique des tâches
• les résumés
• les réflexions
• les entités extraites
• les mémoires épisodiques
• les mémoires sémantiques

Les exemples et les idées connexes incluent :

• niveaux de mémoire style MemGPT
• mémoire à long terme des agents
• mémoire épisodique
• mémoire sémantique
• mémoire vectorielle
• mémoire de profil
• mémoire d’état des outils
• agents réflexifs

La mémoire IA est pilotée par l’agent.

L’objectif est la continuité.

Ce en quoi la mémoire IA est bonne

Les systèmes de mémoire IA fonctionnent bien pour :

• les assistants personnels
• les agents de codage à long terme
• les agents de recherche
• les agents d’assistance client
• les systèmes de tutorat
• l’automatisation des flux de travail
• les compagnons persistants
• l’exécution de tâches multi-sessions

La mémoire compte lorsque le système doit se comporter comme s’il se souvient.

Modes d’échec de la mémoire IA

Les systèmes de mémoire sont dangereux lorsqu’ils sont non gérés.

Problèmes courants :

• se souvenir de faits incorrects
• stocker trop d’informations
• risque de confidentialité
• préférences périmées
• classement de la mémoire médiocre
• empoisonnement de la mémoire
• pas de mécanisme d’oubli
• confondre mémoire et vérité

Un système de mémoire a besoin de gouvernance.

Il devrait répondre à :

• Que doit-on se souvenir ?
• Qui l’a approuvé ?
• Combien de temps doit-il vivre ?
• Quand doit-il être oublié ?
• Comment est-il corrigé ?

Point de vue

La mémoire IA n’est pas juste un contexte long.

Le contexte long permet à un modèle de voir plus à la fois. La mémoire décide ce qui survit dans le temps.

Ce sont des problèmes différents.

Tableau des différences fondamentales

Dimension	PKM	Wiki	RAG	Mémoire IA
Utilisateur principal	Individuel	Équipe ou groupe public	Système IA	Agent IA
Fonction principale	Réflexion	Référence partagée	Récupération au moment de la requête	Contexte persistant
État de la connaissance	Évolutif	Stabilisé	Récupéré	Adaptatif
Structure	Flexible	Explicite	Basée sur l’index	Apprise ou extraite
Style de récupération	Recherche humaine et liaison	Navigation et recherche	Récupération sémantique ou hybride	Pertinence plus saillance
Propriété	Personnelle	Propriétaires de page ou d’équipe	Mainteneurs du système	Contrôlé par l’agent ou l’utilisateur
Horizon temporel	Long terme personnel	Long terme partagé	Moment de la requête	Multi-session
Meilleure sortie	Insight	Référence fiable	Réponse fondée	Continuité
Risque principal	Accumulation	Obsolescence	Mauvaise récupération	Mauvaise mémoire
Bonne métrique	Réutilisation dans la réflexion	Confiance et fraîcheur	Qualité de la réponse	Continuité utile

Structure vs récupération vs évolution

Le moyen le plus simple de comprendre ces systèmes est de comparer ce qu’ils optimisent. Les implications architecturales de cette distinction sont explorées en profondeur dans Récupération vs Représentation dans les systèmes de connaissances.

Le PKM optimise l’évolution personnelle

Le PKM concerne la manière dont votre compréhension change.

Vous collectez du matériel, le réécrivez, le connectez et le transformez en quelque chose d’utile.

La sortie est souvent :

• un meilleur modèle mental
• un article écrit
• une décision
• une direction de recherche
• un insight réutilisable

Le PKM n’est pas principalement une recherche rapide. Il s’agit de sensmaking à long terme.

Les wikis optimisent la structure partagée

Les wikis concernent la connaissance stable.

Ils demandent :

• Quelle est la réponse actuelle ?
• Qui la possède ?
• Où les gens devraient-ils aller ?
• Quoi mettre à jour ?

Un wiki fonctionne lorsque les gens lui font confiance.

Le RAG optimise la récupération machine

Le RAG concerne la récupération du bon contexte au bon moment.

Il demande :

• Quels documents sont pertinents ?
• Quels morceaux (chunks) doivent être utilisés ?
• Combien de contexte tient ?
• Que le modèle devrait-il citer ?

Le RAG fonctionne lorsque la qualité de la récupération est élevée et que le corpus source est digne de confiance.

La mémoire IA optimise la continuité

Les systèmes de mémoire concernent la persistance entre les sessions.

Ils demandent :

• Que l’agent doit-il se souvenir ?
• Quoi oublier ?
• Quelle mémoire importe maintenant ?
• Comment la mémoire doit-elle changer le comportement ?

La mémoire fonctionne lorsqu’elle améliore le comportement futur sans polluer l’agent avec un contexte obsolète ou incorrect.

Quand utiliser le PKM

Utilisez le PKM lorsque la connaissance est personnelle, inachevée ou exploratoire.

Bons scénarios :

• apprendre les systèmes distribués
• planifier des articles
• rechercher l’architecture des LLM
• collecter des notes de livres
• construire un deuxième cerveau
• suivre les expériences personnelles

Utilisez le PKM lorsque vous êtes encore en train de réfléchir.

Exemple

Vous apprenez l’évaluation du RAG.

Vous collectez :

• des articles
• des notes de benchmarks
• des diagrammes
• des idées d’implémentation
• des échecs de vos propres expériences

Cela appartient au PKM en premier.

Plus tard, une fois que la connaissance se stabilise, vous pouvez publier un article ou le transformer en documentation.

Quand utiliser un wiki

Utilisez un wiki lorsque la connaissance doit être partagée et maintenue.

Bons scénarios :

• intégration d’équipe
• documentation API
• manuels opérationnels
• enregistrements de décisions architecturales
• connaissance produit
• instructions de déploiement
• procédures d’assistance

Utilisez un wiki lorsque d’autres ont besoin d’une réponse fiable.

Exemple

Votre équipe a une seule manière correcte de déployer un site Hugo vers S3 et CloudFront.

Cela n’appartient pas seulement aux notes privées de quelqu’un.

Cela appartient à un wiki ou à un système de documentation avec une propriété claire.

Quand utiliser le RAG

Utilisez le RAG lorsqu’un système IA a besoin d’accéder à des connaissances externes au moment de la requête.

Bons scénarios :

• chatbot sur la documentation
• assistant de recherche sur les documents internes
• assistant d’assistance sur les articles d’aide
• assistant juridique ou de conformité
• recherche sur de grands ensembles de documents
• assistant développeur sur la documentation du code

Utilisez le RAG lorsque le problème est :

Le modèle a besoin d’informations qui vivent en dehors de ses poids.

Exemple

Vous avez des centaines d’articles techniques et vous voulez qu’un assistant réponde aux questions en les utilisant.

Le RAG est un bon choix.

Mais seulement si les documents sont assez propres pour être récupérés.

Quand utiliser la mémoire IA

Utilisez la mémoire IA lorsqu’un agent a besoin de continuité.

Bons scénarios :

• agents de codage qui se souviennent des conventions du projet
• assistants personnels qui se souviennent des préférences
• agents de recherche qui continuent de longues investigations
• agents de tutorat qui se souviennent des progrès des étudiants
• agents d’assistance qui se souviennent des interactions précédentes
• agents autonomes qui suivent les objectifs

Utilisez la mémoire lorsque le système doit s’améliorer dans le temps.

Exemple

Un agent de codage devrait se souvenir :

• le projet utilise Go
• les tests s’exécutent avec une commande spécifique
• l’utilisateur préfère des dépendances minimales
• les migrations de base de données suivent une convention

Ce n’est pas juste de la récupération. C’est un contexte opérationnel persistant.

Comment ces systèmes se combinent

Les systèmes les plus utiles sont des hybrides.

Une architecture de connaissances mature pourrait ressembler à ceci :

1. PKM pour l’exploration personnelle
2. Wiki pour la connaissance partagée stable
3. RAG pour l’accès machine
4. Mémoire IA pour la continuité des agents à long terme

Chaque couche a un travail.

Modèle 1. PKM vers wiki

C’est le pipeline de connaissance humaine.

Flux :

1. Capturer des notes en privé
2. Connecter les idées
3. Distiller les insights
4. Publier la connaissance stable
5. Maintenir comme référence partagée

C’est ainsi que la recherche personnelle devient une connaissance organisationnelle.

Exemple

Vous recherchez des outils de connaissances auto-hébergés dans Obsidian.

Après avoir testé DokuWiki, Nextcloud et les systèmes Markdown statiques, vous écrivez un guide stable sur votre site ou wiki d’équipe.

Le PKM a créé l’insight. Le wiki préserve le résultat.

Modèle 2. Wiki vers RAG

C’est le pipeline d’accès machine.

Flux :

1. Maintenir des pages wiki canoniques
2. Les indexer
3. Récupérer les sections pertinentes
4. Générer des réponses fondées
5. Lier vers les sources

C’est l’un des modèles RAG les plus propres.

Le wiki reste la source de vérité. Le RAG devient la couche d’accès.

Exemple

Un bot d’assistance répond aux questions en utilisant un wiki produit.

Le bot ne devrait pas remplacer le wiki. Il devrait citer et rediriger les utilisateurs vers les pages canoniques.

Modèle 3. RAG plus mémoire

C’est le pipeline de continuité de l’agent.

Flux :

1. Le RAG récupère des faits externes
2. La mémoire stocke le contexte utilisateur ou de tâche
3. L’agent combine les deux
4. Le comportement futur s’améliore

Le RAG répond à :

Que dit la base de connaissances ?

La mémoire répond à :

Qu’est-ce qui compte pour cet utilisateur, ce projet ou cette tâche ?

Exemple

Un agent de codage utilise le RAG pour récupérer la documentation du framework.

Il utilise la mémoire pour se souvenir que votre projet évite les ORMs, préfère sqlc et utilise une journalisation structurée.

Ce sont des types de connaissances différents.

Modèle 4. PKM plus assistant IA

C’est le pipeline de réflexion hybride.

Flux :

1. L’humain capture des notes
2. L’IA résume et suggère des liens
3. L’humain édite et valide
4. La connaissance devient plus structurée
5. Certaines pages passent au wiki ou à la publication

L’IA augmente le système PKM, mais elle ne devrait pas posséder la vérité.

Exemple

Un assistant IA peut suggérer des connexions entre des notes sur le RAG, les systèmes de mémoire et le Wiki LLM.

Mais l’humain décide quelles connexions sont significatives.

Erreurs d’architecture courantes

Erreur 1. Traiter le RAG comme un wiki

Le RAG n’est pas une base de connaissances.

Il ne crée pas automatiquement une structure canonique. Il récupère à partir de ce qui existe.

Si les documents source sont mauvais, le RAG devient une interface confiante vers une mauvaise connaissance.

Erreur 2. Traiter la mémoire comme une base de données

La mémoire IA est un contexte sélectif, pas un stockage général.

Une base de données stocke des enregistrements. La mémoire change le comportement.

Si vous avez besoin de faits exacts, utilisez une base de données ou une base de connaissances. Si vous avez besoin de continuité, utilisez la mémoire.

Erreur 3. Traiter le PKM comme une documentation

Le PKM peut être désordonné.

La documentation ne devrait pas l’être.

Les notes privées peuvent contenir des idées à moitié formées. La documentation partagée devrait contenir une connaissance stable et maintenue.

Erreur 4. Traiter un wiki comme un outil de réflexion

Un wiki peut soutenir la réflexion, mais il n’est pas idéal pour l’exploration précoce.

Si chaque pensée précoce doit devenir une page polie, les gens arrêtent d’écrire.

Utilisez le PKM pour une réflexion brute. Utilisez les wikis pour une connaissance durable.

Erreur 5. Traiter le contexte long comme de la mémoire

Le contexte long n’est pas de la mémoire.

Il n’aide que tant que le contexte est présent.

La mémoire persiste, sélectionne, met à jour et parfois oublie.

Guide de décision

Utilisez ce modèle de décision simple.

Si la connaissance est privée et évolutive

Utilisez le PKM.

Si la connaissance est partagée et stable

Utilisez un wiki.

Si une IA a besoin de répondre à partir de documents externes

Utilisez le RAG.

Si un agent a besoin de continuité dans le temps

Utilisez la mémoire.

Si vous avez besoin des quatre

Construisez un système en couches.

Ne forcez pas un outil à faire chaque travail.

Le spectre des systèmes de connaissances

Ces systèmes forment un spectre allant de la pensée humaine à la continuité IA.

Couche	Système	Rôle
Pensée humaine	PKM	Explorer et synthétiser
Structure partagée	Wiki	Préserver et maintenir
Accès machine	RAG	Récupérer et générer
Continuité de l’agent	Mémoire	Pérenniser et adapter

La direction compte.

La connaissance commence souvent comme une pensée personnelle, devient une structure partagée, est indexée pour la récupération machine, puis devient partie intégrante du comportement persistant de l’agent.

C’est la pile de connaissances moderne.

Où le Wiki LLM s’insère

Les systèmes de style LLM Wiki se situent entre le wiki et l’architecture IA.

Ce ne sont pas du RAG classique.

Au lieu de récupérer uniquement des morceaux au moment de la requête, ils tentent de pré-structurer la connaissance en pages, résumés, entités et liens.

Cela les rapproche des systèmes de connaissances compilées.

Un placement utile :

Système	Position
Wiki	Connaissance structurée maintenue par l’humain
RAG	Récupération machine au moment de la requête
LLM Wiki	Connaissance structurée par la machine au moment de l’ingestion
Mémoire	Contexte persistant de l’agent

C’est pourquoi le Wiki LLM appartient près de l’architecture des systèmes de connaissances, pas à l’intérieur du RAG ordinaire.

Exemples pratiques

Exemple 1. Blog technique personnel

Un blogueur technique pourrait utiliser :

• PKM pour les notes de recherche
• Site Hugo comme connaissance publiée
• Liens internes comme structure de type wiki
• RAG plus tard pour la recherche sur le site
• Mémoire IA pour les préférences de l’assistant d’écriture

C’est une architecture solide.

Il maintient le jugement humain au centre tout en permettant le soutien de l’IA.

Exemple 2. Équipe d’ingénierie

Une équipe d’ingénierie pourrait utiliser :

• PKM pour l’apprentissage individuel
• Wiki pour les standards et les manuels
• Assistant RAG pour les documents internes
• Mémoire pour les agents de codage travaillant dans les dépôts

Le wiki devrait rester canonique.

L’assistant RAG ne devrait pas inventer de processus. La couche de mémoire devrait se souvenir des préférences du projet, pas remplacer les décisions architecturales.

Exemple 3. Flux de travail de recherche IA

Un chercheur pourrait utiliser :

• PKM pour les notes de papier
• Wiki pour les résumés stables
• RAG pour la recherche bibliographique
• Mémoire pour les agents de recherche à long terme

Cela fonctionne parce que chaque couche gère une échelle de temps différente.

Sécurité et gouvernance

Les systèmes de connaissances deviennent risqués lorsqu’ils stockent des informations sensibles ou obsolètes.

Gouvernance PKM

Questions :

• Que doit rester privé ?
• Que doit être publié ?
• Que doit être supprimé ?

Gouvernance Wiki

Questions :

• Qui possède chaque page ?
• Quand a-t-elle été revue pour la dernière fois ?
• Quoi est canonique ?

Gouvernance RAG

Questions :

• Quelles sources sont indexées ?
• Les réponses sont-elles citées ?
• Comment la récupération est-elle évaluée ?
• Quel contenu est exclu ?

Gouvernance de la mémoire

Questions :

• Quoi est retenu ?
• Les utilisateurs peuvent-ils inspecter la mémoire ?
• Les utilisateurs peuvent-ils supprimer la mémoire ?
• Comment les mémoires incorrectes sont-elles corrigées ?

La mémoire a besoin de la gouvernance la plus stricte car elle peut influencer silencieusement le comportement futur.

Remarque sur le SEO et la stratégie de contenu

Si vous gérez un site technique, cette distinction n’est pas seulement architecturale. Elle est également éditoriale.

Vous pouvez mapper le contenu comme ceci :

• Les pages PKM expliquent les pratiques de connaissance humaine.
• Les pages Wiki expliquent les systèmes de connaissance structurée.
• Les pages RAG expliquent l’ingénierie de récupération.
• Les pages Mémoire expliquent le comportement IA persistant.
• Les pages Architecture comparent et connectent les paradigmes.

Cela donne à votre site un maillage d’autorité propre au lieu d’une pile d’articles IA vaguement liés.

Conclusion finale

Le PKM, le RAG, les wikis et les systèmes de mémoire IA ne sont pas des concurrents.

Ce sont des réponses différentes à des questions différentes.

Le PKM demande :

Comment puis-je mieux réfléchir avec le temps ?

Un wiki demande :

Que savons-nous, et où est la version de confiance ?

Le RAG demande :

Quel contexte externe le modèle doit-il utiliser maintenant ?

La mémoire IA demande :

Que cet agent doit-il se souvenir pour l’avenir ?

Une fois que vous séparez ces questions, l’architecture devient évidente.

Utilisez le PKM pour réfléchir. Utilisez les wikis pour la vérité partagée. Utilisez le RAG pour la récupération. Utilisez la mémoire pour la continuité.

L’avenir n’est pas un système de connaissances qui remplace tous les autres.

L’avenir est une architecture de connaissances en couches. Pour les outils, méthodes et plateformes auto-hébergées à travers tout le spectre de la gestion des connaissances, les piliers de grappes cartographient le territoire.

Sources et lectures complémentaires

• https://cloud.google.com/use-cases/retrieval-augmented-generation
• https://aws.amazon.com/what-is/retrieval-augmented-generation/
• https://www.ibm.com/think/topics/retrieval-augmented-generation
• https://www.ibm.com/think/topics/knowledge-management
• https://arxiv.org/abs/2310.08560
• https://research.memgpt.ai/
• https://zettelkasten.de/posts/building-a-second-brain-and-zettelkasten/