issue GitHub<\/a> d\u00e9crit un cas o\u00f9 le n\u0153ud \u00ab Embeddings OpenAI \u00bb renvoyait des vecteurs remplis de z\u00e9ros avec l’API de LM Studio, alors que le m\u00eame appel en curl fonctionnait. Je n’ai pas v\u00e9rifi\u00e9 dans quelles versions le probl\u00e8me se pose. Un vecteur nul ne provoque aucune erreur \u00e0 l’insertion: la recherche renvoie simplement n’importe quoi.<\/p>\nDernier pi\u00e8ge c\u00f4t\u00e9 ingestion: relancer le workflow ajoute les m\u00eames points une seconde fois. R\u00e9sultat, les m\u00eames chunks remontent en double dans le top k et prennent la place d’autres passages. Pour une maquette, je supprime et recr\u00e9e la collection avant chaque ingestion compl\u00e8te. En production, il faudrait supprimer les points par url<\/code> avant de r\u00e9ins\u00e9rer un article modifi\u00e9.<\/p>\nRequ\u00eate et prompt avec citations<\/h2>\n
n8n propose des cha\u00eenes toutes faites (\u00ab Question and Answer Chain \u00bb avec un \u00ab Vector Store Retriever \u00bb, ou le Vector Store branch\u00e9 comme outil d’un \u00ab AI Agent \u00bb). Je ne les utilise pas ici, pour une raison pr\u00e9cise: je veux voir le score de chaque passage et d\u00e9cider moi m\u00eame de ce qui part au mod\u00e8le. Le workflow de requ\u00eate est donc le suivant:<\/p>\n
\n- \u00ab Chat Trigger \u00bb<\/li>\n
- \u00ab Qdrant Vector Store \u00bb en mode \u00ab Get Many \u00bb, limite \u00e0 6, avec en sous-n\u0153ud le m\u00eame \u00ab Embeddings OpenAI \u00bb que pour l’ingestion<\/li>\n
- \u00ab Code \u00bb: filtrage par score et construction d’un contexte num\u00e9rot\u00e9<\/li>\n
- \u00ab Basic LLM Chain \u00bb avec \u00ab OpenAI Chat Model \u00bb pointant vers LM Studio<\/li>\n
- \u00ab Code \u00bb: ajout de la liste des sources \u00e0 partir des m\u00e9tadonn\u00e9es<\/li>\n<\/ol>\n
Qwen3-Embedding est un mod\u00e8le \u00ab instruction aware \u00bb: la fiche du mod\u00e8le recommande de pr\u00e9fixer la requ\u00eate (mais pas les documents) par une instruction de la forme Instruct: \u2026\\nQuery:\u2026<\/code>. Dans le champ \u00ab Prompt \u00bb du n\u0153ud Qdrant:<\/p>\nInstruct: Given a technical question, retrieve passages from IT security articles that answer it\nQuery:{{ $json.chatInput }}<\/code><\/pre>\nAvec nomic-embed-text, ce serait search_query: {{ $json.chatInput }}<\/code>, et il aurait fallu ajouter search_document: <\/code> devant chaque texte \u00e0 l’ingestion.<\/p>\nLe n\u0153ud \u00ab Code \u00bb qui construit le contexte doit lire la sortie de \u00ab Get Many \u00bb. Regardez la structure exacte dans l’onglet de sortie du n\u0153ud: chez moi chaque item contient un objet document<\/code> (avec pageContent<\/code> et metadata<\/code>) et un score<\/code>, mais le code ci dessous reste tol\u00e9rant au cas o\u00f9:<\/p>\nconst SEUIL = 0.45; \/\/ \u00e0 calibrer sur vos propres questions, voir plus bas\nconst items = $input.all().map(i => ({\n texte: i.json.document?.pageContent ?? i.json.pageContent,\n meta: i.json.document?.metadata ?? i.json.metadata ?? {},\n score: i.json.score\n}));\nconst retenus = items.filter(x => x.score >= SEUIL);\nconst question = $('When chat message received').first().json.chatInput;\n\nif (retenus.length === 0) {\n return [{ json: { horsBase: true, question } }];\n}\nconst contexte = retenus.map((x, n) =>\n `[${n + 1}] ${x.meta.titre} \/ ${x.meta.section}\\n${x.texte}`\n).join('\\n\\n---\\n\\n');\n\nreturn [{ json: {\n horsBase: false, question, contexte,\n sources: retenus.map((x, n) => ({ n: n + 1, titre: x.meta.titre, section: x.meta.section, url: x.meta.url, score: x.score }))\n}}];<\/code><\/pre>\nLe nom du n\u0153ud d\u00e9clencheur dans $('\u2026')<\/code> doit correspondre exactement au v\u00f4tre. Un n\u0153ud \u00ab If \u00bb sur horsBase<\/code> renvoie directement une r\u00e9ponse fixe sans appeler le mod\u00e8le. C’est plus fiable que de compter sur le LLM pour avouer qu’il ne sait pas.<\/p>\nLe prompt syst\u00e8me de la \u00ab Basic LLM Chain \u00bb:<\/p>\n
Tu r\u00e9ponds \u00e0 des questions techniques uniquement \u00e0 partir des extraits fournis.\nChaque extrait est num\u00e9rot\u00e9 [1], [2], etc.\n\nR\u00e8gles:\n- Chaque affirmation doit \u00eatre suivie du num\u00e9ro de l'extrait qui la justifie, par exemple [2].\n- Si les extraits ne contiennent pas la r\u00e9ponse, r\u00e9ponds exactement:\n \"Je ne trouve pas cette information dans les articles index\u00e9s.\"\n- Ne compl\u00e8te pas avec tes connaissances g\u00e9n\u00e9rales.\n- Ne r\u00e9dige aucune URL.\n- Recopie les commandes, noms d'attributs et valeurs exactement comme dans les extraits.\n\nExtraits:\n{{ $json.contexte }}\n\nQuestion: {{ $json.question }}<\/code><\/pre>\nLa consigne \u00ab Ne r\u00e9dige aucune URL \u00bb est volontaire. Un mod\u00e8le local de taille moyenne invente tr\u00e8s facilement un slug plausible mais faux. Les liens sont ajout\u00e9s apr\u00e8s coup par le dernier n\u0153ud \u00ab Code \u00bb, \u00e0 partir des m\u00e9tadonn\u00e9es et des seuls num\u00e9ros effectivement cit\u00e9s dans la r\u00e9ponse:<\/p>\n
const rep = $json.text;\nconst src = $('Contexte').first().json.sources;\nconst cites = [...new Set([...rep.matchAll(\/\\[(\\d+)\\]\/g)].map(m => Number(m[1])))];\nconst inconnus = cites.filter(n => !src.find(s => s.n === n));\nconst liste = src.filter(s => cites.includes(s.n))\n .map(s => `[${s.n}] ${s.titre} \/ ${s.section} - ${s.url}`).join('\\n');\nreturn [{ json: { reponse: rep + (liste ? `\\n\\nSources:\\n${liste}` : ''), citationsInvalides: inconnus } }];<\/code><\/pre>\n-> si citationsInvalides<\/code> n’est pas vide, le mod\u00e8le a cit\u00e9 un extrait qui n’existe pas. C’est un bon indicateur d’hallucination, qu’il est utile de journaliser.<\/p>\nQuestions pi\u00e8ges<\/h2>\n
Pour \u00e9valuer un RAG, il faut chercher les questions sur lesquelles il \u00e9choue. Je conseille de constituer une petite liste fixe, une vingtaine de questions avec la r\u00e9ponse attendue et l’article qui la contient, et de la rejouer \u00e0 chaque changement de d\u00e9coupage, de mod\u00e8le ou de seuil. Les cat\u00e9gories ci dessous sont celles qui r\u00e9v\u00e8lent le plus de d\u00e9fauts.<\/p>\n
Documents mal d\u00e9coup\u00e9s<\/h3>\n
Exemple de question: \u00ab Quelle commande permet de lancer une capture r\u00e9seau native sous Windows sans installer de driver? \u00bb. La r\u00e9ponse se trouve dans un article dont la commande et ses param\u00e8tres tiennent dans un bloc de code, et l’explication dans le paragraphe d’apr\u00e8s. Avec le d\u00e9coupage \u00ab Simple \u00bb \u00e0 1000 caract\u00e8res, il est fr\u00e9quent que le passage remont\u00e9 contienne le texte mais pas la commande, ou l’inverse. Le mod\u00e8le donne alors une r\u00e9ponse incompl\u00e8te, ou compl\u00e8te de m\u00e9moire, ce que le prompt lui interdit pourtant.<\/p>\n
Pour diagnostiquer, d\u00e9sactivez temporairement le n\u0153ud LLM et regardez seulement les 6 passages renvoy\u00e9s par Qdrant avec leur score. Si la bonne r\u00e9ponse n’y figure pas, inutile de toucher au prompt: le probl\u00e8me est en amont.<\/p>\n
M\u00eame famille de probl\u00e8me: les questions qui contiennent un identifiant exact (\u00ab MaxTokenSize? \u00bb, un nom d’attribut comme msDS-SupportedEncryptionTypes<\/code>, un code d’erreur). Les embeddings denses capturent le sens g\u00e9n\u00e9ral mais peuvent faire remonter un passage \u00ab sur Kerberos \u00bb qui ne contient pas le terme exact. Si ce type de question est fr\u00e9quent chez vous, une recherche hybride (vecteurs + recherche lexicale) ou un reranker apporte souvent plus qu’un changement de mod\u00e8le d’embeddings. Je ne l’ai pas mis en place sur cette maquette.<\/p>\nQuestions hors base<\/h3>\n
Exemple: \u00ab Comment configurer le SSO entre Okta et SAP? \u00bb. La base contient des articles SAP et des articles SAML, donc Qdrant renverra toujours 6 passages: une recherche vectorielle trouve toujours un plus proche voisin. Sans seuil, le mod\u00e8le re\u00e7oit des extraits sur SAML et sur SAP, et la tentation de combiner les deux en une r\u00e9ponse plausible est forte.<\/p>\n
Le seuil de 0.45 dans le code ci dessus n’est pas une valeur universelle. Elle d\u00e9pend du mod\u00e8le d’embeddings, de la langue et de la longueur des chunks. Pour la calibrer, relevez le score du premier r\u00e9sultat sur vos questions \u00ab dans la base \u00bb et sur une dizaine de questions volontairement hors sujet, puis placez le seuil entre les deux distributions. Si elles se chevauchent beaucoup, le seuil seul ne suffira pas, et la consigne de refus du prompt prend le relais. Le seuil \u00e9carte les cas nets, le prompt traite une partie de ceux qui passent.<\/p>\n
Contexte trop long<\/h3>\n
Le r\u00e9flexe naturel quand une r\u00e9ponse est incompl\u00e8te est d’augmenter le top k. Sur une maquette locale, il faut faire le calcul. Avec 6 chunks de 2000 caract\u00e8res, on envoie d\u00e9j\u00e0 12 000 caract\u00e8res de contexte. En ordre de grandeur, un token repr\u00e9sente environ 4 caract\u00e8res en anglais, et plut\u00f4t moins en fran\u00e7ais ou sur du code. On approche donc les 4000 tokens avant m\u00eame le prompt syst\u00e8me et la r\u00e9ponse.<\/p>\n
Or LM Studio charge un mod\u00e8le avec la longueur de contexte que vous lui donnez, pas forc\u00e9ment le maximum support\u00e9 par le mod\u00e8le. V\u00e9rifiez la valeur dans les param\u00e8tres de chargement, ou chargez le mod\u00e8le explicitement:<\/p>\n
lms ls\nlms load <identifiant-du-modele> --context-length 16384<\/code><\/pre>\nSi le prompt d\u00e9passe la fen\u00eatre, vous aurez selon les r\u00e9glages une erreur ou une troncature. La troncature est la plus g\u00eanante: aucun message ne signale qu’une partie du contexte a disparu. Augmenter la fen\u00eatre a aussi un co\u00fbt: le KV cache occupe de la m\u00e9moire unifi\u00e9e en plus des poids du mod\u00e8le, et le temps de traitement du prompt augmente avec sa longueur. Mesurez sur votre machine en comparant les statistiques affich\u00e9es par LM Studio pour un m\u00eame prompt \u00e0 4 et \u00e0 12 chunks.<\/p>\n
Faire tenir tout le contexte dans la fen\u00eatre ne suffit pas non plus. Les mod\u00e8les exploitent moins bien les informations plac\u00e9es au milieu d’un long contexte (le ph\u00e9nom\u00e8ne est connu sous le nom de \u00ab lost in the middle \u00bb). Sur cette maquette, je pr\u00e9f\u00e8re des chunks bien construits, un top k modeste et un seuil, plut\u00f4t que de tout envoyer en esp\u00e9rant que le mod\u00e8le fasse le tri.<\/p>\n
Avant d’ouvrir ce type de workflow au del\u00e0 de votre poste, un dernier point de s\u00e9curit\u00e9. Le \u00ab Chat Trigger \u00bb de n8n peut \u00eatre rendu public, et LM Studio peut \u00e9couter sur le r\u00e9seau local avec l’option \u00ab Serve on local network \u00bb. Une base vectorielle construite \u00e0 partir de documents internes reste une copie de ces documents. Elle doit \u00eatre prot\u00e9g\u00e9e avec les m\u00eames droits que la source, et un RAG qui r\u00e9pond \u00e0 tout le monde \u00e0 partir de documents \u00e0 acc\u00e8s restreint est une fuite de donn\u00e9es, m\u00eame s’il ne cite que des extraits.<\/p>\n","protected":false},"excerpt":{"rendered":"
Construire un RAG 100% local avec LM Studio, n8n et Qdrant sur les articles du blog: d\u00e9coupage, dimension des embeddings, citations et questions pi\u00e8ges.<\/p>\n","protected":false},"author":1,"featured_media":0,"comment_status":"open","ping_status":"closed","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[59,58,18],"tags":[71,69,72,60,68,70,67],"class_list":["post-1241","post","type-post","status-publish","format-standard","hentry","category-intelligence-artificielle","category-llm-en-local","category-outils","tag-chunking","tag-embeddings","tag-llm-local","tag-lm-studio","tag-n8n","tag-qdrant","tag-rag"],"yoast_head":"\n
RAG local avec LM Studio et n8n: embeddings, d\u00e9coupage et pi\u00e8ges de qualit\u00e9 sur une base de documents techniques - R\u00e9mi VERNIER<\/title>\n<meta name=\"description\" content=\"Construire un RAG 100% local avec LM Studio, n8n et Qdrant sur les articles du blog: d\u00e9coupage, dimension des embeddings, citations et questions pi\u00e8ges.\" \/>\n<meta name=\"robots\" content=\"index, follow, max-snippet:-1, max-image-preview:large, max-video-preview:-1\" \/>\n<link rel=\"canonical\" href=\"https:\/\/remivernier.com\/index.php\/2026\/10\/27\/rag-local-lm-studio-n8n-embeddings-decoupage\/\" \/>\n<meta property=\"og:locale\" content=\"fr_FR\" \/>\n<meta property=\"og:type\" content=\"article\" \/>\n<meta property=\"og:title\" content=\"RAG local avec LM Studio et n8n: embeddings, d\u00e9coupage et pi\u00e8ges de qualit\u00e9 sur une base de documents techniques - R\u00e9mi VERNIER\" \/>\n<meta property=\"og:description\" content=\"Construire un RAG 100% local avec LM Studio, n8n et Qdrant sur les articles du blog: d\u00e9coupage, dimension des embeddings, citations et questions pi\u00e8ges.\" \/>\n<meta property=\"og:url\" content=\"https:\/\/remivernier.com\/index.php\/2026\/10\/27\/rag-local-lm-studio-n8n-embeddings-decoupage\/\" \/>\n<meta property=\"og:site_name\" content=\"R\u00e9mi VERNIER\" \/>\n<meta property=\"article:published_time\" content=\"2026-10-27T16:29:58+00:00\" \/>\n<meta property=\"article:modified_time\" content=\"2026-10-27T20:54:40+00:00\" \/>\n<meta name=\"author\" content=\"R\u00e9mi\" \/>\n<meta name=\"twitter:card\" content=\"summary_large_image\" \/>\n<meta name=\"twitter:label1\" content=\"\u00c9crit par\" \/>\n\t<meta name=\"twitter:data1\" content=\"R\u00e9mi\" \/>\n\t<meta name=\"twitter:label2\" content=\"Dur\u00e9e de lecture estim\u00e9e\" \/>\n\t<meta name=\"twitter:data2\" content=\"16 minutes\" \/>\n<script type=\"application\/ld+json\" class=\"yoast-schema-graph\">{\"@context\":\"https:\\\/\\\/schema.org\",\"@graph\":[{\"@type\":\"Article\",\"@id\":\"https:\\\/\\\/remivernier.com\\\/index.php\\\/2026\\\/10\\\/27\\\/rag-local-lm-studio-n8n-embeddings-decoupage\\\/#article\",\"isPartOf\":{\"@id\":\"https:\\\/\\\/remivernier.com\\\/index.php\\\/2026\\\/10\\\/27\\\/rag-local-lm-studio-n8n-embeddings-decoupage\\\/\"},\"author\":{\"name\":\"R\u00e9mi\",\"@id\":\"https:\\\/\\\/remivernier.com\\\/#\\\/schema\\\/person\\\/a4c76c63a5a3d94454484845e42fc906\"},\"headline\":\"RAG local avec LM Studio et n8n: embeddings, d\u00e9coupage et pi\u00e8ges de qualit\u00e9 sur une base de documents techniques\",\"datePublished\":\"2026-10-27T16:29:58+00:00\",\"dateModified\":\"2026-10-27T20:54:40+00:00\",\"mainEntityOfPage\":{\"@id\":\"https:\\\/\\\/remivernier.com\\\/index.php\\\/2026\\\/10\\\/27\\\/rag-local-lm-studio-n8n-embeddings-decoupage\\\/\"},\"wordCount\":2703,\"commentCount\":0,\"keywords\":[\"chunking\",\"embeddings\",\"llm local\",\"lm studio\",\"n8n\",\"qdrant\",\"rag\"],\"articleSection\":[\"Intelligence artificielle\",\"LLM en local\",\"Outils\"],\"inLanguage\":\"fr-FR\",\"potentialAction\":[{\"@type\":\"CommentAction\",\"name\":\"Comment\",\"target\":[\"https:\\\/\\\/remivernier.com\\\/index.php\\\/2026\\\/10\\\/27\\\/rag-local-lm-studio-n8n-embeddings-decoupage\\\/#respond\"]}]},{\"@type\":\"WebPage\",\"@id\":\"https:\\\/\\\/remivernier.com\\\/index.php\\\/2026\\\/10\\\/27\\\/rag-local-lm-studio-n8n-embeddings-decoupage\\\/\",\"url\":\"https:\\\/\\\/remivernier.com\\\/index.php\\\/2026\\\/10\\\/27\\\/rag-local-lm-studio-n8n-embeddings-decoupage\\\/\",\"name\":\"RAG local avec LM Studio et n8n: embeddings, d\u00e9coupage et pi\u00e8ges de qualit\u00e9 sur une base de documents techniques - R\u00e9mi VERNIER\",\"isPartOf\":{\"@id\":\"https:\\\/\\\/remivernier.com\\\/#website\"},\"datePublished\":\"2026-10-27T16:29:58+00:00\",\"dateModified\":\"2026-10-27T20:54:40+00:00\",\"author\":{\"@id\":\"https:\\\/\\\/remivernier.com\\\/#\\\/schema\\\/person\\\/a4c76c63a5a3d94454484845e42fc906\"},\"description\":\"Construire un RAG 100% local avec LM Studio, n8n et Qdrant sur les articles du blog: d\u00e9coupage, dimension des embeddings, citations et questions pi\u00e8ges.\",\"breadcrumb\":{\"@id\":\"https:\\\/\\\/remivernier.com\\\/index.php\\\/2026\\\/10\\\/27\\\/rag-local-lm-studio-n8n-embeddings-decoupage\\\/#breadcrumb\"},\"inLanguage\":\"fr-FR\",\"potentialAction\":[{\"@type\":\"ReadAction\",\"target\":[\"https:\\\/\\\/remivernier.com\\\/index.php\\\/2026\\\/10\\\/27\\\/rag-local-lm-studio-n8n-embeddings-decoupage\\\/\"]}]},{\"@type\":\"BreadcrumbList\",\"@id\":\"https:\\\/\\\/remivernier.com\\\/index.php\\\/2026\\\/10\\\/27\\\/rag-local-lm-studio-n8n-embeddings-decoupage\\\/#breadcrumb\",\"itemListElement\":[{\"@type\":\"ListItem\",\"position\":1,\"name\":\"Accueil\",\"item\":\"https:\\\/\\\/remivernier.com\\\/\"},{\"@type\":\"ListItem\",\"position\":2,\"name\":\"RAG local avec LM Studio et n8n: embeddings, d\u00e9coupage et pi\u00e8ges de qualit\u00e9 sur une base de documents techniques\"}]},{\"@type\":\"WebSite\",\"@id\":\"https:\\\/\\\/remivernier.com\\\/#website\",\"url\":\"https:\\\/\\\/remivernier.com\\\/\",\"name\":\"R\u00e9mi VERNIER\",\"description\":\"Identit\u00e9, s\u00e9curit\u00e9, SAP et IA : Active Directory, Azure & co...\",\"potentialAction\":[{\"@type\":\"SearchAction\",\"target\":{\"@type\":\"EntryPoint\",\"urlTemplate\":\"https:\\\/\\\/remivernier.com\\\/?s={search_term_string}\"},\"query-input\":{\"@type\":\"PropertyValueSpecification\",\"valueRequired\":true,\"valueName\":\"search_term_string\"}}],\"inLanguage\":\"fr-FR\"},{\"@type\":\"Person\",\"@id\":\"https:\\\/\\\/remivernier.com\\\/#\\\/schema\\\/person\\\/a4c76c63a5a3d94454484845e42fc906\",\"name\":\"R\u00e9mi\",\"image\":{\"@type\":\"ImageObject\",\"inLanguage\":\"fr-FR\",\"@id\":\"https:\\\/\\\/secure.gravatar.com\\\/avatar\\\/f750448bc07f5d1d9c1189344283777ec0d33275c184599b199fb6b305bc6fba?s=96&d=mm&r=g\",\"url\":\"https:\\\/\\\/secure.gravatar.com\\\/avatar\\\/f750448bc07f5d1d9c1189344283777ec0d33275c184599b199fb6b305bc6fba?s=96&d=mm&r=g\",\"contentUrl\":\"https:\\\/\\\/secure.gravatar.com\\\/avatar\\\/f750448bc07f5d1d9c1189344283777ec0d33275c184599b199fb6b305bc6fba?s=96&d=mm&r=g\",\"caption\":\"R\u00e9mi\"},\"sameAs\":[\"http:\\\/\\\/www.linkedin.com\\\/in\\\/remi-vernier\"]}]}<\/script>\n<!-- \/ Yoast SEO plugin. -->","yoast_head_json":{"title":"RAG local avec LM Studio et n8n: embeddings, d\u00e9coupage et pi\u00e8ges de qualit\u00e9 sur une base de documents techniques - R\u00e9mi VERNIER","description":"Construire un RAG 100% local avec LM Studio, n8n et Qdrant sur les articles du blog: d\u00e9coupage, dimension des embeddings, citations et questions pi\u00e8ges.","robots":{"index":"index","follow":"follow","max-snippet":"max-snippet:-1","max-image-preview":"max-image-preview:large","max-video-preview":"max-video-preview:-1"},"canonical":"https:\/\/remivernier.com\/index.php\/2026\/10\/27\/rag-local-lm-studio-n8n-embeddings-decoupage\/","og_locale":"fr_FR","og_type":"article","og_title":"RAG local avec LM Studio et n8n: embeddings, d\u00e9coupage et pi\u00e8ges de qualit\u00e9 sur une base de documents techniques - R\u00e9mi VERNIER","og_description":"Construire un RAG 100% local avec LM Studio, n8n et Qdrant sur les articles du blog: d\u00e9coupage, dimension des embeddings, citations et questions pi\u00e8ges.","og_url":"https:\/\/remivernier.com\/index.php\/2026\/10\/27\/rag-local-lm-studio-n8n-embeddings-decoupage\/","og_site_name":"R\u00e9mi VERNIER","article_published_time":"2026-10-27T16:29:58+00:00","article_modified_time":"2026-10-27T20:54:40+00:00","author":"R\u00e9mi","twitter_card":"summary_large_image","twitter_misc":{"\u00c9crit par":"R\u00e9mi","Dur\u00e9e de lecture estim\u00e9e":"16 minutes"},"schema":{"@context":"https:\/\/schema.org","@graph":[{"@type":"Article","@id":"https:\/\/remivernier.com\/index.php\/2026\/10\/27\/rag-local-lm-studio-n8n-embeddings-decoupage\/#article","isPartOf":{"@id":"https:\/\/remivernier.com\/index.php\/2026\/10\/27\/rag-local-lm-studio-n8n-embeddings-decoupage\/"},"author":{"name":"R\u00e9mi","@id":"https:\/\/remivernier.com\/#\/schema\/person\/a4c76c63a5a3d94454484845e42fc906"},"headline":"RAG local avec LM Studio et n8n: embeddings, d\u00e9coupage et pi\u00e8ges de qualit\u00e9 sur une base de documents techniques","datePublished":"2026-10-27T16:29:58+00:00","dateModified":"2026-10-27T20:54:40+00:00","mainEntityOfPage":{"@id":"https:\/\/remivernier.com\/index.php\/2026\/10\/27\/rag-local-lm-studio-n8n-embeddings-decoupage\/"},"wordCount":2703,"commentCount":0,"keywords":["chunking","embeddings","llm local","lm studio","n8n","qdrant","rag"],"articleSection":["Intelligence artificielle","LLM en local","Outils"],"inLanguage":"fr-FR","potentialAction":[{"@type":"CommentAction","name":"Comment","target":["https:\/\/remivernier.com\/index.php\/2026\/10\/27\/rag-local-lm-studio-n8n-embeddings-decoupage\/#respond"]}]},{"@type":"WebPage","@id":"https:\/\/remivernier.com\/index.php\/2026\/10\/27\/rag-local-lm-studio-n8n-embeddings-decoupage\/","url":"https:\/\/remivernier.com\/index.php\/2026\/10\/27\/rag-local-lm-studio-n8n-embeddings-decoupage\/","name":"RAG local avec LM Studio et n8n: embeddings, d\u00e9coupage et pi\u00e8ges de qualit\u00e9 sur une base de documents techniques - R\u00e9mi VERNIER","isPartOf":{"@id":"https:\/\/remivernier.com\/#website"},"datePublished":"2026-10-27T16:29:58+00:00","dateModified":"2026-10-27T20:54:40+00:00","author":{"@id":"https:\/\/remivernier.com\/#\/schema\/person\/a4c76c63a5a3d94454484845e42fc906"},"description":"Construire un RAG 100% local avec LM Studio, n8n et Qdrant sur les articles du blog: d\u00e9coupage, dimension des embeddings, citations et questions pi\u00e8ges.","breadcrumb":{"@id":"https:\/\/remivernier.com\/index.php\/2026\/10\/27\/rag-local-lm-studio-n8n-embeddings-decoupage\/#breadcrumb"},"inLanguage":"fr-FR","potentialAction":[{"@type":"ReadAction","target":["https:\/\/remivernier.com\/index.php\/2026\/10\/27\/rag-local-lm-studio-n8n-embeddings-decoupage\/"]}]},{"@type":"BreadcrumbList","@id":"https:\/\/remivernier.com\/index.php\/2026\/10\/27\/rag-local-lm-studio-n8n-embeddings-decoupage\/#breadcrumb","itemListElement":[{"@type":"ListItem","position":1,"name":"Accueil","item":"https:\/\/remivernier.com\/"},{"@type":"ListItem","position":2,"name":"RAG local avec LM Studio et n8n: embeddings, d\u00e9coupage et pi\u00e8ges de qualit\u00e9 sur une base de documents techniques"}]},{"@type":"WebSite","@id":"https:\/\/remivernier.com\/#website","url":"https:\/\/remivernier.com\/","name":"R\u00e9mi VERNIER","description":"Identit\u00e9, s\u00e9curit\u00e9, SAP et IA : Active Directory, Azure & co...","potentialAction":[{"@type":"SearchAction","target":{"@type":"EntryPoint","urlTemplate":"https:\/\/remivernier.com\/?s={search_term_string}"},"query-input":{"@type":"PropertyValueSpecification","valueRequired":true,"valueName":"search_term_string"}}],"inLanguage":"fr-FR"},{"@type":"Person","@id":"https:\/\/remivernier.com\/#\/schema\/person\/a4c76c63a5a3d94454484845e42fc906","name":"R\u00e9mi","image":{"@type":"ImageObject","inLanguage":"fr-FR","@id":"https:\/\/secure.gravatar.com\/avatar\/f750448bc07f5d1d9c1189344283777ec0d33275c184599b199fb6b305bc6fba?s=96&d=mm&r=g","url":"https:\/\/secure.gravatar.com\/avatar\/f750448bc07f5d1d9c1189344283777ec0d33275c184599b199fb6b305bc6fba?s=96&d=mm&r=g","contentUrl":"https:\/\/secure.gravatar.com\/avatar\/f750448bc07f5d1d9c1189344283777ec0d33275c184599b199fb6b305bc6fba?s=96&d=mm&r=g","caption":"R\u00e9mi"},"sameAs":["http:\/\/www.linkedin.com\/in\/remi-vernier"]}]}},"_links":{"self":[{"href":"https:\/\/remivernier.com\/index.php\/wp-json\/wp\/v2\/posts\/1241","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/remivernier.com\/index.php\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/remivernier.com\/index.php\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/remivernier.com\/index.php\/wp-json\/wp\/v2\/users\/1"}],"replies":[{"embeddable":true,"href":"https:\/\/remivernier.com\/index.php\/wp-json\/wp\/v2\/comments?post=1241"}],"version-history":[{"count":2,"href":"https:\/\/remivernier.com\/index.php\/wp-json\/wp\/v2\/posts\/1241\/revisions"}],"predecessor-version":[{"id":1251,"href":"https:\/\/remivernier.com\/index.php\/wp-json\/wp\/v2\/posts\/1241\/revisions\/1251"}],"wp:attachment":[{"href":"https:\/\/remivernier.com\/index.php\/wp-json\/wp\/v2\/media?parent=1241"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/remivernier.com\/index.php\/wp-json\/wp\/v2\/categories?post=1241"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/remivernier.com\/index.php\/wp-json\/wp\/v2\/tags?post=1241"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}