Agentic Search : un agent qui navigue dans vos documents et cite la page exacte

Contexte

Les équipes passent un temps considérable à chercher des réponses dans leurs documents : PDF, rapports, contrats, mais aussi Drive, Notion ou Slack. Les assistants IA promettent de le faire à leur place, mais sur des documents longs et denses, leurs réponses restent trop souvent approximatives, et invérifiables.

Agentic Search est né de ce constat. Le produit est aujourd'hui en bêta ouverte : il est utilisable et gratuit à l'essai, et il évolue encore à partir des retours des premiers utilisateurs.

Le défi

• Les documents longs cassent le RAG classique : la bonne réponse tient souvent à un tableau, une note de bas de page ou la page d'à côté, que le découpage en extraits fait disparaître.
• Une réponse n'est utile que si on peut la vérifier : chaque affirmation doit renvoyer à la page exacte du document source.
• Chercher dans beaucoup de documents à la fois : 84 rapports indexés ensemble, sans confondre les entreprises ni les exercices.
• Mesurer plutôt qu'affirmer : prouver le gain face à un RAG classique sur un benchmark public, pas sur une démo choisie.

Mon approche

Un agent qui cherche, pas un pipeline qui découpe. Un RAG classique sert au modèle des extraits découpés à l'avance et espère que la réponse s'y trouve. Ici, l'agent dispose d'outils de navigation qu'il utilise lui-même : relancer une recherche, ouvrir un document, lire la page entière, regarder le contexte autour. Il travaille comme un analyste qui feuillette, pas comme un moteur qui pioche.

Des réponses sourcées à la page près. Chaque réponse cite la page exacte d'où elle vient. L'utilisateur peut vérifier en un clic, ce qui change tout pour des usages où l'erreur coûte cher : finance, juridique, conformité.

Toutes vos sources au même endroit. Les documents passent par l'OCR (Mistral OCR), puis sont indexés dans Qdrant avec les embeddings Cohere Embed v4, en recherche hybride ; Cohere Rerank 4 Pro trie les passages retrouvés. Une vingtaine de connecteurs alimentent l'index : Google Drive, Notion, SharePoint et OneDrive, Confluence, Dropbox, GitHub, Slack, Gmail, Outlook…

Évalué sur un benchmark public. Le système est mesuré sur FinanceBench : 84 rapports SEC, soit 12 000 pages indexées ensemble, et 135 questions posées par des analystes. Résultat : 88,1 % de bonnes réponses, contre 46 % pour un RAG classique sur les mêmes questions. Les réponses de Claude Sonnet 4.6 sont notées par un juge LLM selon le protocole FinanceBench (exactitude, refus, hallucinations, plus fidélité aux sources et pertinence), et la recherche est mesurée à la page près grâce aux pages annotées. En production, les juges sont recalibrés contre les votes 👍 / 👎 des utilisateurs.

Branché là où vous travaillez. Agentic Search s'utilise depuis son interface de chat, depuis un client compatible MCP grâce à son serveur MCP, ou depuis vos propres applications via l'API REST.

Une bêta assumée. Le produit est ouvert en bêta pour confronter l'approche à de vrais documents et de vrais usages avant la version 1. Prochaine étape : l'authentification OAuth du serveur MCP, pour se brancher directement aux connecteurs de Claude.ai.

Résultats

• 88,1 % de bonnes réponses sur FinanceBench, contre 46 % pour un RAG classique sur les mêmes questions.
• Des réponses sourcées à la page exacte, vérifiables en un clic.
• Bêta ouverte et gratuite à l'essai sur agentic-search.cc, accessible en chat, en serveur MCP et en API REST.
• Un coût mesuré d'environ 0,07 $ par question sur le benchmark, pour près de 18 000 tokens lus.

Stack technique

• Claude Sonnet 4.6 · Haiku 4.5
• LangGraph
• Cohere Embed v4 · Rerank 4 Pro
• Mistral OCR
• Qdrant (recherche hybride)
• Python · Django · PostgreSQL
• React · Vite · Tailwind
• MCP · API REST
• Stripe
• Railway · Vercel
• LangSmith · Sentry