Google vient de lancer un outil révolutionnaire pour les applications basées sur les modèles de langage : File Search, une solution intégrée directement dans l’API Gemini. Ce nouvel outil simplifie considérablement la mise en œuvre de systèmes de recherche augmentée par génération (RAG), une approche essentielle pour ancrer les réponses des LLM dans des données privées et spécifiques — comme les documents internes, les manuels techniques ou les recherches récentes. Contrairement aux modèles traditionnels, qui ne connaissent que les données sur lesquelles ils ont été formés, File Search permet à Gemini de puiser dans vos propres documents, en temps réel, pour produire des réponses précises, vérifiables et contextuelles. L’outil fonctionne comme une couche d’abstraction complète sur un pipeline RAG. Il gère automatiquement l’ingestion, le découpage (chunking), l’encodage vectoriel et l’indexation de vos fichiers, sans nécessiter de configuration complexe ni de gestion d’infrastructure. Il est intégré directement dans l’API Gemini via un outil (tool), ce qui permet d’ajouter des fonctionnalités de recherche sémantique à une application en quelques lignes de code. Il suffit d’ajouter file_search à la configuration de génération de contenu pour que le modèle accède à vos documents. Au cœur de son fonctionnement, File Search repose sur le modèle d’encodage gemini-embedding-001, optimisé pour des recherches sémantiques de haute performance. Contrairement à la recherche par mots-clés, il comprend le sens des requêtes, ce qui permet de retrouver des informations même si le vocabulaire utilisé diffère de celui du document. Par exemple, une question comme « Comment éteindre l’écran automatiquement ? » peut être correctement traitée, même si le mot « éteindre » n’apparaît pas dans le texte. Un autre atout majeur est la prise en charge des citations automatiques. Chaque réponse inclut des métadonnées indiquant précisément quel extrait de quel document a été utilisé, renforçant ainsi la transparence, la traçabilité et la confiance — essentiels pour les applications professionnelles. Le support de formats est également très étendu : PDF, DOCX, TXT, JSON, et même des fichiers de code (comme .py, .js, .html). Aucun prétraitement n’est nécessaire, ce qui accélère grandement la mise en place d’une base de connaissances. En termes de coût, File Search est très compétitif. Le stockage et l’encodage des requêtes sont gratuits. Seuls les documents initiaux sont facturés, à partir de 0,15 $ par million de tokens (selon le modèle d’encodage utilisé), ce qui le rend particulièrement accessible pour les projets de petite et moyenne taille. Pour l’utiliser, il suffit de créer un store de recherche de fichiers, d’y télécharger un document, puis d’appeler generate_content avec un outil file_search référençant ce store. Un exemple en Python montre que l’outil peut extraire avec précision des informations d’un manuel Samsung de 180 pages — comme les modèles compatibles ou les étapes pour configurer le délai d’extinction de l’écran — tout en fournissant des citations. Il est également possible de contrôler le découpage des documents via chunking_config, en définissant la taille maximale des morceaux et le chevauchement entre eux. Cela permet d’ajuster la granularité du traitement selon les besoins. Par rapport à d’autres outils Google comme Context Grounding ou LangExtract, File Search se distingue par sa nature véritablement RAG : il stocke durablement les embeddings des documents, contrairement aux autres qui ne les conservent pas. Cela permet de poser des questions répétées sans recharger les fichiers. En outre, il est conçu pour des réponses conversationnelles basées sur des documents, tandis que LangExtract vise l’extraction structurée de données (comme des noms ou des doses dans des notes médicales). Enfin, Google supprime automatiquement les fichiers bruts après 48 heures, mais conserve les embeddings. Pour libérer de l’espace, les stores peuvent être supprimés via l’API. En résumé, File Search marque une avancée majeure vers la démocratisation du RAG. Il transforme une tâche technique complexe en une opération simple, intégrée et évolutif, tout en garantissant fiabilité, traçabilité et coût maîtrisé. Pour les développeurs, il s’agit d’un pas décisif vers des applications d’IA véritablement utiles, ancrées dans les données réelles de l’entreprise.