Un développeur construit un RAG local avec Qdrant et LlamaIndex pour interroger les lois sur les marchés publics

Un développeur qui publie sur Habr sous le nom de Vladimir explique comment il a construit un système RAG local reposant sur LlamaIndex et la base de données vectorielle Qdrant. Objectif : ne plus fouiller à la main dans le règlement achats de son entreprise ni dans les lois sectorielles FZ-44 et FZ-223.

Pourquoi un RAG local

L'auteur explique que le besoin est né d'une contrainte concrète : chercher manuellement les formulations et conditions pertinentes dans des textes réglementaires volumineux sur les achats — le règlement achats de l'entreprise, mais aussi les lois fédérales FZ-44 (sur le système de contrats dans les marchés publics) et FZ-223 (sur les achats de certaines catégories de personnes morales) — prend du temps et s'avère peu pratique. Un système RAG (retrieval-augmented generation, génération de réponses appuyée sur des extraits retrouvés dans les documents) permet de poser des questions en langage naturel et d'obtenir une réponse fondée sur le texte réel des documents réglementaires, et non sur les suppositions du modèle.

Exigence clé : le système devait rester entièrement en local, sans appel à des API cloud externes. Pour une documentation d'achats qui contient souvent des conditions commerciales internes, ce point est déterminant.

Comment le système est construit

• LlamaIndex — framework d'indexation de documents et de construction de requêtes, que l'auteur utilisait pour la première fois
• Qdrant — base de données vectorielle open source qui stocke les embeddings des documents
• Une API maison au-dessus du duo LlamaIndex et Qdrant
• Une interface web sous Gradio pour interagir facilement avec le système
• Sources de données — le règlement achats de l'entreprise, la FZ-44 et la FZ-223

L'auteur détaille tout le processus d'assemblage — de l'indexation des documents à l'écriture de l'API et de l'interface — et offre de fait aux lecteurs de Habr un modèle prêt à l'emploi pour des cas similaires impliquant des bases juridiques et réglementaires locales.

Pourquoi ce choix d'outils

Qdrant se distingue parmi les bases vectorielles par sa licence open source et par la possibilité de le déployer entièrement en local, sans dépendance obligatoire à un service cloud. Associé à LlamaIndex, il devient un choix pertinent pour les scénarios où les données ne doivent pas quitter l'infrastructure de l'entreprise : documents juridiques et d'achats, règlements internes, conditions commerciales négociées avec les contreparties. Dans cette architecture, LlamaIndex découpe les documents en fragments, construit l'index et formule les requêtes au modèle de langage à partir des fragments retrouvés, tandis que Gradio fournit aux acheteurs et aux juristes une interface web simple, sans qu'ils aient à manipuler directement du code ou une console.

Quelle suite pour le projet ?

L'auteur présente son article comme l'analyse d'un cas concret et reproductible, et non comme un produit commercial abouti : il montre en détail les étapes de construction afin que les lecteurs de Habr puissent reproduire la solution sur leurs propres documents internes — autres textes réglementaires, règlements ou base de contrats. Ce format est typique de la communauté d'ingénieurs de Habr, où la valeur d'un article ne tient pas à un service clé en main, mais à un cheminement exposé de façon transparente, de la formulation du problème jusqu'au prototype fonctionnel.

Ce que cela signifie

Ce cas illustre concrètement comment le RAG, bâti sur des outils ouverts comme LlamaIndex et Qdrant, passe du stade de la démo de recherche à celui de tâche courante en entreprise : interroger des règlements internes et la législation sectorielle sans transmettre de données sensibles à des services cloud externes. Pour les entreprises engagées dans des marchés publics régis par la FZ-44 et la FZ-223, où une erreur d'interprétation d'une norme coûte cher, un assistant RAG local permet d'accélérer le travail des juristes et des acheteurs, tout en laissant la décision finale à l'humain.