1.Importez vos documents
Téléversez vos PDF, documents Word ou pages web. Le système RAG d'AgentMaurice les découpe, les vectorise et les indexe automatiquement dans pgvector.
RAG & Knowledge
Assistant FAQ interne avec RAG
Construisez un assistant IA qui répond aux questions de vos collaborateurs en s'appuyant sur vos documents internes — en quelques minutes, sans code.
agent.spec
Pas de vidéo placeholder. La preuve produit commence par la spécification.
Comment ça marche
2.Définissez votre Méta-Recette
Créez une spécification déclarative en Markdown + JSON qui décrit le comportement de votre assistant : prompt système, modèle LLM, sources de données RAG et format de réponse.
3.Compilez et testez
AgentMaurice compile votre spécification, valide les dépendances, et exécute les tests automatiquement. Détection de régression incluse.
4.Déployez en un clic
Appliquez la Méta-Recette sur votre déploiement. L'assistant est immédiatement disponible via le chat, Slack, Telegram ou votre interface custom.
Fonctionnalités incluses
Recherche sémantique multi-documents avec extraction d'entités
6 fournisseurs LLM au choix (OpenAI, Anthropic, Mistral, Gemini, OpenRouter, Ollama)
Accessible via chat web, Slack, Telegram, Discord ou API
Mémoire conversationnelle pour le suivi de contexte
Modération automatique du contenu via Mistral
Observabilité complète via OpenTelemetry
Le problème
Vos équipes perdent des heures à chercher des informations dispersées dans des dizaines de documents internes. Les nouvelles recrues posent les mêmes questions, et les réponses sont enfouies dans des PDF, des wikis ou des fils Slack oubliés.
La solution avec AgentMaurice
En moins de 30 minutes, vous déployez un assistant IA conversationnel qui s'appuie sur vos propres documents pour répondre de manière précise et sourcée. Pas de code à écrire — tout est déclaratif.
Comment ça marche sous le capot
Le pipeline RAG d'AgentMaurice orchestre automatiquement :
Ingestion — Les documents sont découpés en chunks intelligents, enrichis par extraction d'entités (personnes, organisations, concepts, technologies) et de relations typées, puis vectorisés et stockés dans pgvector.
Recherche — À chaque question, le serveur MCP Brain effectue une recherche hybride BM25 + vectorielle pour trouver les passages les plus pertinents. Le mode de recherche est sélectionné automatiquement selon la nature de la requête.
Réponse — Le LLM génère une réponse contextuelle en s'appuyant sur les passages trouvés, avec citations des sources. La mémoire AgentMaurice assure la continuité conversationnelle entre les questions.
Résultat
Un assistant FAQ opérationnel, déployé en production, accessible depuis tous vos canaux de communication — et qui s'améliore au fur et à mesure que vous ajoutez des documents.
AgentMaurice
Demander une démo
Envie de construire le vôtre ?
Déployez votre premier assistant IA en moins de 30 minutes avec AgentMaurice.