---
title: "RAG en arabe : normalisation, chunking et embeddings"
description: "Le RAG sur des documents arabes : normaliser alef, ya et ta marbuta, découper avec bon sens, choisir des embeddings multilingues, ajouter la recherche par mots-clés."
url: https://broadrouter.com/fr/blog/arabic-rag-search/
lang: fr
updated: 2026-11-14
publisher: BroadRouter (a BroadNet site); API by BroadNet Inference, https://inference.broadnet.ai
---

Traduit de l’anglais avec l’aide de l’IA. [Lire l’original en anglais](https://broadrouter.com/blog/arabic-rag-search/) (mis à jour le 2026-11-14).

# RAG en arabe : normalisation, chunking et recherche qui fonctionnent

Par l’équipe BroadNet Inference · 6 min de lecture · Publié 2026-11-14

Le RAG en arabe fonctionne si vous normalisez le texte avant l’indexation (unifier les formes de l’alef, le ya et l’alef maqsura, le ta marbuta, supprimer diacritiques et tatweel), découpez par paragraphe, combinez un modèle d’embeddings multilingue et une recherche par mots-clés, et laissez un LLM à long contexte répondre à partir des passages récupérés, en les citant. Appliquez la même normalisation aux requêtes.

## À retenir

-   Normalisez documents et requêtes de la même façon : أ/إ/آ vers ا, ى vers ي, ة vers ه, sans diacritiques ni tatweel.
-   Gardez le texte original pour l’affichage ; indexez la copie normalisée.
-   Combinez une recherche par mots-clés avec un analyseur arabe et des embeddings multilingues, puis comparez l’hybride à chaque méthode seule sur vos propres requêtes.
-   Choisissez un modèle d’embeddings multilingue testé sur des requêtes en arabe. BroadNet Inference ne propose pas d’endpoint d’embeddings.
-   Les modèles à long contexte permettent de récupérer large : DeepSeek V4.1 Flash et GLM 5.3 acceptent 1 048 576 tokens.

**Sur cette page**

1.  À quoi ressemble un pipeline RAG pour l’arabe ?
2.  Comment normaliser du texte arabe pour la recherche ?
3.  Comment découper des documents arabes ?
4.  Pourquoi combiner recherche par mots-clés et embeddings ?
5.  Comment générer des réponses avec citations ?
6.  Comment évaluer un RAG en arabe ?

_[image: A man speaking into a microphone beside the Arabic word "حوار" (conversation), with the text "Conversations, ready to search."]_

Pour que la [génération augmentée par récupération](https://broadrouter.com/fr/glossary/rag/) (RAG) fonctionne en arabe, normalisez documents et requêtes avec les mêmes règles d’orthographe, découpez par paragraphe, cherchez à la fois avec un analyseur de mots-clés arabe et un modèle d’embeddings multilingue, et demandez au LLM de ne répondre qu’à partir des passages récupérés, en les citant.

Le principe, issu de l’[article fondateur du RAG](https://arxiv.org/abs/2005.11401), est de récupérer, puis de générer. La plupart des échecs du RAG en arabe surviennent dans la première moitié. Un utilisateur tape « الفاتوره » alors que l’index contient « الفاتورة » ; une politique écrit « إلغاء » et l’utilisateur « الغاء » ; le modèle d’embeddings a été entraîné surtout sur de l’anglais. Corrigez la récupération, et la partie LLM suit en général d’elle-même.

## À quoi ressemble un pipeline RAG pour l’arabe ?

1.  **Extraire** le texte des PDF, des pages web et des articles du centre d’aide. Pour les PDF arabes scannés, voyez [OCR arabe ou LLM de vision](https://broadrouter.com/fr/blog/arabic-ocr-vision-llm/).
2.  **Normaliser** une copie du texte pour l’indexation.
3.  **Découper** selon la structure : titres et paragraphes.
4.  **Indexer** deux fois : un index de mots-clés et un index vectoriel.
5.  **Récupérer** dans les deux avec la requête normalisée, fusionner et reclasser.
6.  **Générer** une réponse à partir des meilleurs passages, en les citant.

## Comment normaliser du texte arabe pour la recherche ?

L’arabe admet plusieurs graphies d’un même mot, et les utilisateurs tapent rarement les diacritiques ou la hamza de façon cohérente. Normalisez la copie indexée et chaque requête avec la même fonction :

| Règle | Caractères | Pourquoi |
| --- | --- | --- |
| Unifier l’alef | أ إ آ ٱ → ا | La hamza est souvent omise à la frappe |
| Alef maqsura | ى → ي | Fréquent dans la saisie égyptienne et les graphies relâchées |
| Ta marbuta | ة → ه | Les utilisateurs tapent ه en fin de mot |
| Supprimer les diacritiques | U+064B à U+0652, U+0670 | La plupart des textes et requêtes ne sont pas vocalisés |
| Retirer le tatweel | ـ (U+0640) | Allongement décoratif |
| Chiffres | ٠–٩ → 0–9 | Retrouver les nombres sous l’une ou l’autre forme |

Essayez chaque option sur votre propre texte avec le [normaliseur de texte arabe](https://broadrouter.com/tools/arabic-text-normalizer/), qui génère aussi la fonction Python correspondante.

```python
import re

_DIAC = re.compile(r"[ً-ْٰ]")

def normalise(text: str) -> str:
    text = _DIAC.sub("", text).replace("ـ", "")
    text = re.sub("[أإآٱ]", "ا", text)
    text = text.replace("ى", "ي").replace("ة", "ه")
    return text.translate(str.maketrans("٠١٢٣٤٥٦٧٨٩", "0123456789"))
```

Les points de code figurent dans la [table Unicode de l’arabe](https://www.unicode.org/charts/PDF/U0600.pdf). Deux mises en garde :

-   **N’affichez jamais le texte normalisé.** Stockez l’original à côté, et affichez, citez et envoyez l’original au LLM. L’arabe normalisé paraît mal orthographié aux lecteurs.
-   **Certaines fusions font perdre du sens.** ة → ه confond quelques paires de mots, et ى → ي confond « على » (sur) et « علي » (Ali). Pour le rappel de la recherche, ce compromis vaut en général la peine ; testez-le sur vos propres requêtes.

Les mêmes règles sont centrales pour [mesurer la précision de la reconnaissance vocale en arabe](https://broadrouter.com/fr/blog/arabic-asr-wer-explained/) : vous pouvez donc réutiliser une seule fonction dans toute votre stack.

## Comment découper des documents arabes ?

-   **Couper selon la structure.** Les titres, les articles numérotés des contrats (المادة ١، المادة ٢) et les sauts de paragraphe sont des frontières naturelles.
-   **Quelques centaines de mots par chunk,** avec une ou deux phrases de chevauchement. Les mots arabes portent plus de morphèmes que les mots anglais : un chunk couvre donc plus de sens par mot que sa longueur ne le laisse penser.
-   **Frontières de phrase :** ne coupez sur . ؟ ! et la virgule arabe ، qu’en dernier recours. Beaucoup de textes arabes enchaînent de longues phrases reliées par و ; découper au niveau du paragraphe est plus sûr.
-   **Transmettre le contexte.** Préfixez chaque chunk du titre du document et du titre de section, en arabe, pour qu’un chunk disant « تُطبَّق هذه الرسوم » (ces frais s’appliquent) indique toujours de quels frais il s’agit.

Le [calculateur de chunking RAG](https://broadrouter.com/tools/rag-chunking-calculator/) convertit taille de chunk, chevauchement et top-k en nombre de chunks, tokens par requête et coût mensuel.

## Pourquoi combiner recherche par mots-clés et embeddings ?

### Recherche par mots-clés

La morphologie arabe met en échec la correspondance naïve de mots-clés : كتاب, الكتاب, بالكتاب, وكتابه et كتب se rapportent tous à « livre ». Utilisez un analyseur qui gère l’arabe. Elasticsearch fournit un [analyseur pour l’arabe](https://www.elastic.co/guide/en/elasticsearch/reference/current/analysis-lang-analyzer.html) qui enchaîne mots vides arabes, normalisation des chiffres, normalisation arabe et racinisation arabe, de sorte que des formes préfixées comme الكتاب et وكتاب correspondent plus souvent. Vérifiez ce qu’il fusionne sur votre propre vocabulaire avant de vous y fier.

### Embeddings

Les [modèles d’embeddings](https://broadrouter.com/fr/glossary/embeddings/) transforment le texte en vecteurs, de sorte que les passages de sens proche se retrouvent voisins, même sans mot commun. Pour l’arabe, choisissez un modèle multilingue et testez-le :

-   **Privilégiez les modèles entraînés sur de nombreuses langues,** comme [BGE M3](https://arxiv.org/abs/2402.03216), que ses auteurs présentent comme prenant en charge plus de 100 langues de travail. Les modèles uniquement anglophones produisent de mauvais vecteurs pour l’arabe.
-   **Testez la recherche interlangue** si les utilisateurs interrogent en anglais des documents arabes, ou l’inverse.
-   **Vectorisez le texte original ou le texte normalisé, mais de façon cohérente** entre documents et requêtes. Testez les deux ; les résultats varient selon le modèle.

BroadNet Inference ne propose pas d’endpoint d’embeddings : ses endpoints documentés sont les chat completions et la transcription audio. Utilisez un fournisseur d’embeddings de confiance, ou hébergez un modèle d’embeddings multilingue ouvert avec une [base de données vectorielle](https://broadrouter.com/fr/glossary/vector-database/), et servez-vous de BroadNet pour la génération. Le [calculateur de coût des embeddings](https://broadrouter.com/tools/embedding-cost-calculator/) chiffre l’indexation et les requêtes chez différents fournisseurs.

### Fusionner et reclasser

Lancez les deux recherches, fusionnez les résultats par reciprocal rank fusion (chaque document reçoit la somme de 1 / (k + rang) sur l’ensemble des listes) et gardez les 10 à 30 meilleurs passages. Un reranker ou une vérification rapide de pertinence par LLM peut affiner encore, mais avec les modèles à long contexte, vous pouvez souvent vous en passer.

## Comment générer des réponses avec citations ?

Donnez au modèle les passages avec leurs identifiants et demandez-lui de ne répondre qu’à partir d’eux :

```python
import os
from openai import OpenAI

client = OpenAI(base_url="https://inference.broadnet.ai/v1", api_key=os.environ["BROADNET_API_KEY"])

def answer(question: str, passages: list[dict]) -> str:
    context = "\n\n".join(f"[{p['id']}] {p['title']}\n{p['text']}" for p in passages)
    system = ("أجب عن سؤال المستخدم بالعربية الفصحى المبسطة، اعتماداً فقط على المقاطع المرفقة. "
              "اذكر رقم المقطع بين قوسين مربعين بعد كل معلومة. "
              "إذا لم تجد الإجابة في المقاطع فقل ذلك بوضوح.")
    r = client.chat.completions.create(
        model="broadnet/deepseek-v4.1-flash",
        max_tokens=4000,
        messages=[{"role": "system", "content": system},
                  {"role": "user", "content": f"المقاطع:\n{context}\n\nالسؤال: {question}"}],
    )
    return r.choices[0].message.content
```

Le prompt système arabe dit en substance : « Réponds à la question de l’utilisateur en arabe standard moderne simplifié, uniquement à partir des passages joints. Indique le numéro du passage entre crochets après chaque information. Si tu ne trouves pas la réponse dans les passages, dis-le clairement. » Des instructions en anglais fonctionnent tout aussi bien ; l’essentiel est la règle de ne répondre qu’à partir des passages et de citer.

Placez les passages avant la question. Si les mêmes documents reviennent dans de nombreuses requêtes, gardez-les dans le même ordre en tête du prompt pour bénéficier du tarif de l’entrée en cache ; voyez [les tokens d’entrée en cache](https://broadrouter.com/fr/blog/cached-input-tokens-explained/).

### Quel modèle ?

| Modèle | Contexte | Pourquoi |
| --- | --- | --- |
| [DeepSeek V4.1 Flash](https://broadrouter.com/fr/models/deepseek-v4.1-flash/) | 1 048 576 | Tarif d’entrée en cache le plus bas des trois chez BroadNet ($0.0055 par million de tokens), de la place pour de nombreux passages, forfaits disponibles |
| [GLM 5.3](https://broadrouter.com/fr/models/glm-5.3/) | 1 048 576 | Outils et sortie structurée pour la récupération agentique |
| [Qwen3.8 27B](https://broadrouter.com/fr/models/qwen3.8-27b/) | 262 144 | Testé en arabe par BroadNet : rédaction fluide, dialectes du Golfe et égyptien compris |

Avec un contexte d’un million de tokens, vous pouvez récupérer large, par exemple 50 passages au lieu de 5, et laisser le modèle choisir. Cela limite les dégâts quand la récupération classe le bon passage en 12e position. Pour de petits corpus, vous n’avez peut-être pas besoin de récupération du tout ; voyez [long contexte ou RAG](https://broadrouter.com/fr/blog/long-context-vs-rag/) et vérifiez si votre corpus tient dans la fenêtre avec le [calculateur de fenêtre de contexte](https://broadrouter.com/tools/context-window-calculator/). Les prix de tous les modèles sont sur la [page des tarifs](https://broadrouter.com/fr/pricing/).

## Comment évaluer un RAG en arabe ?

1.  Rédigez 50 à 100 vraies questions, dans le mélange de MSA, de dialecte et d’anglais que vos utilisateurs tapent réellement.
2.  Marquez le passage qui répond à chacune.
3.  Mesurez d’abord la récupération : le bon passage est-il dans le top 10 ? Comparez mots-clés seuls, embeddings seuls et hybride, avec et sans normalisation.
4.  Mesurez ensuite les réponses : correctes, citées, et « introuvable » quand la réponse manque.
5.  Incluez volontairement des requêtes mal orthographiées et dialectales. Les utilisateurs écrivent « وين الفاتوره » (Golfe/Levant : où est la facture ?), pas « أين الفاتورة ».

Corrigez la récupération avant de changer de modèle de génération : si le bon passage n’atteint jamais le prompt, aucun modèle ne peut le citer.

Outils gratuits sur ce sujet (en anglais)

-   [Arabic token counter](https://broadrouter.com/tools/arabic-token-counter/) Arabic vs English token counts per tokenizer: the "Arabic tax" in tokens and money.
-   [Arabic text normalizer](https://broadrouter.com/tools/arabic-text-normalizer/) Tashkeel, tatweel, alef, ya, ta marbuta, digits and invisible characters, with a matching Python function.
-   [Speech-to-text cost calculator](https://broadrouter.com/tools/speech-to-text-cost-calculator/) Hours, calls or voice notes to a monthly transcription bill, against your current provider.

[Outils gratuits (en anglais)](https://broadrouter.com/tools/)

## Termes de cet article

[Embeddings (plongements vectoriels)](https://broadrouter.com/fr/glossary/embeddings/)

Les embeddings sont des listes de nombres à virgule flottante (des vecteurs) qu’un modèle produit pour représenter un texte, une image ou une autre entrée. Des entrées de sens proche obtiennent des vecteurs voisins : la distance entre vecteurs permet de classer des résultats de recherche, de regrouper des documents ou de trouver des éléments apparentés.

[RAG (génération augmentée par récupération)](https://broadrouter.com/fr/glossary/rag/)

Le RAG (retrieval-augmented generation, génération augmentée par récupération) est une approche dans laquelle une application récupère d’abord, dans une source externe comme un index de recherche ou un index vectoriel, les passages pertinents pour une question, puis les ajoute au prompt pour qu’un modèle de langage réponde à partir de ce texte et pas seulement de sa mémoire.

[Token](https://broadrouter.com/fr/glossary/token/)

Un token est l’unité de texte qu’un modèle de langage lit et écrit : un mot, une partie de mot, un signe de ponctuation ou une suite d’octets produite par le tokenizer du modèle. Les API LLM comptent, limitent et facturent généralement l’usage en tokens.

[Appel d’outils (tool calling, function calling)](https://broadrouter.com/fr/glossary/tool-calling/)

L’appel d’outils, aussi appelé function calling, est une fonctionnalité des API LLM dans laquelle le modèle renvoie une demande structurée d’exécution d’une fonction définie par le développeur, avec des arguments JSON. L’application exécute la fonction et renvoie le résultat ; le modèle n’exécute jamais de code lui-même.

[Hamza](https://broadrouter.com/fr/glossary/hamza/)

La hamza (ء) est la lettre arabe qui note le coup de glotte. Elle s’écrit seule ou sur un support : alif (أ إ), waw (ؤ) ou ya (ئ), et آ combine alif et madda. Comme le texte saisi l’écrit de façon irrégulière, les moteurs de recherche et l’évaluation de la parole ramènent souvent les formes d’alif à ا.

[Tokens d’entrée en cache (cached input tokens)](https://broadrouter.com/fr/glossary/cached-input-tokens/)

Les tokens d’entrée en cache sont des tokens de prompt qu’un fournisseur de LLM a traités récemment et peut réutiliser depuis un cache au lieu de les recalculer, en général un préfixe répété comme un prompt système ou un document. Les fournisseurs les facturent moins cher que les nouveaux tokens d’entrée.

[Arabe standard moderne (MSA)](https://broadrouter.com/fr/glossary/msa/)

L’arabe standard moderne (MSA) est la forme standardisée de l’arabe utilisée à l’écrit, dans l’information, l’enseignement et le discours formel dans tout le monde arabe. Ce n’est la langue maternelle de personne : on parle au quotidien des dialectes régionaux, comme l’égyptien ou l’arabe du Golfe, et on passe au MSA dans les contextes formels.

[Base de données vectorielle (vector database)](https://broadrouter.com/fr/glossary/vector-database/)

Une base de données vectorielle est un système de stockage qui conserve des vecteurs d’embedding, souvent avec leur texte source et des métadonnées, et répond aux requêtes de plus proches voisins : pour un vecteur de requête, elle renvoie les vecteurs stockés les plus similaires, en général selon la distance cosinus, la distance euclidienne ou le produit scalaire.

## Questions fréquentes

### BroadNet Inference fournit-il des embeddings ?

Non. Ses endpoints documentés sont les chat completions et la transcription audio. Utilisez un modèle d’embeddings d’un autre fournisseur ou hébergez vous-même un modèle d’embeddings multilingue ouvert, et servez-vous de BroadNet pour l’étape de génération.

### Faut-il normaliser le ta marbuta en ha ?

Pour la recherche, en général oui, car les utilisateurs tapent les deux. Quelques mots distincts se confondent alors, mais le gain de rappel l’emporte dans la plupart des corpus. Gardez le texte original pour l’affichage et les citations.

### Quelle taille donner aux chunks en arabe ?

Commencez par un à trois paragraphes, soit quelques centaines de mots, avec un léger chevauchement. Coupez aux titres et aux sauts de paragraphe, pas au milieu d’une phrase, et joignez le titre du document à chaque chunk.

### Quel modèle d’embeddings fonctionne pour l’arabe ?

Prenez un modèle multilingue et testez-le sur vos propres requêtes en arabe. BGE M3, par exemple, est présenté par ses auteurs comme prenant en charge la recherche dans plus de 100 langues de travail. Les modèles d’embeddings uniquement anglophones produisent de mauvais vecteurs pour l’arabe.

### Les utilisateurs peuvent-ils chercher en anglais et trouver des documents arabes ?

Oui, avec un modèle d’embeddings multilingue qui place les deux langues dans un même espace, ou en traduisant la requête avec un LLM avant la recherche par mots-clés. Testez explicitement les requêtes interlangues.

## À lire ensuite

-   [Contexte long ou RAG : quand 1M de tokens remplace la base vectorielle](https://broadrouter.com/fr/blog/long-context-vs-rag/)
-   [Taux d’erreur de mots (WER) en reconnaissance vocale arabe](https://broadrouter.com/fr/blog/arabic-asr-wer-explained/)
-   [Prompt engineering en arabe : registre, RTL, chiffres et texte mixte](https://broadrouter.com/fr/blog/arabic-prompt-engineering/)
-   [Choisir une API LLM pour l’arabe : ce qu’il faut tester](https://broadrouter.com/fr/blog/choosing-an-llm-for-arabic/)
-   [Vocaliser un texte arabe avec un LLM : prompt, contrôles, DER](https://broadrouter.com/fr/blog/arabic-diacritization-llm/)
-   [Correction grammaticale et orthographique de l’arabe par LLM : guide](https://broadrouter.com/fr/blog/arabic-grammar-spelling-correction-llm/)
-   [Guide : Utiliser LangChain avec BroadNet Inference](https://broadrouter.com/fr/guides/langchain-openai-base-url/)
-   [Guide : Utiliser le SDK Python d’OpenAI avec BroadNet Inference](https://broadrouter.com/fr/guides/openai-python-sdk/)

Essayez-le sur votre vraie charge de travail. Les nouveaux comptes démarrent avec USD 5 de crédit pour Gemma et transcription. DeepSeek, GLM et Qwen3.8 nécessitent une recharge.

[Commencer](https://inference.broadnet.ai/account/?utm_source=broadrouter&utm_medium=referral&utm_campaign=fr-blog-arabic-rag-search&utm_content=page-cta) ·

**Sources**

-   [Lewis et al., Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks (arXiv 2005.11401 ; consulté le 2026-11-14)](https://arxiv.org/abs/2005.11401)
-   [Chen et al., M3-Embedding : plus de 100 langues de travail (arXiv 2402.03216 ; consulté le 2026-11-14)](https://arxiv.org/abs/2402.03216)
-   [Analyseurs de langue d’Elasticsearch, filtres de l’analyseur arabic (consulté le 2026-11-14)](https://www.elastic.co/guide/en/elasticsearch/reference/current/analysis-lang-analyzer.html)
-   [Table de codes Unicode pour l’arabe, U+0600 à U+06FF (consultée le 2026-11-14)](https://www.unicode.org/charts/PDF/U0600.pdf)
-   [Référence de l’API de BroadNet Inference, endpoints disponibles (consultée le 2026-11-14) (en anglais)](https://inference.broadnet.ai/docs?utm_source=broadrouter&utm_medium=referral&utm_campaign=fr-blog-arabic-rag-search&utm_content=sources)
