RAG sur des documents SAP avec le generative AI hub et le document grounding
À jour au 2026-09-25
Parcourt un pipeline managé de génération augmentée par la recherche de bout en bout, pour un assistant de centre de services partagés qui doit citer ses sources : créer un pipeline de document grounding sur un dépôt supporté (SharePoint, S3, SFTP, SAP Build Work Zone, SAP Document Management, ServiceNow, Google Drive, ou help.sap.com via Elastic Search), l'appeler depuis l'orchestration via l'un ou l'autre SDK Cloud (PipelineAPIClient, GroundingModule/DocumentGroundingFilter/GroundingFilterSearch en Python ; le searchConfiguration équivalent en JavaScript), régler max_chunk_count et dataRepositories comme un arbitrage rappel/précision/gouvernance, masquer l'entrée de grounding avec MaskingMethod.ANONYMIZATION et des types d'entités comme ProfileEntity.SAP_IDS_INTERNAL, et exécuter une évaluation d'ancrage qui sépare les échecs de recherche des échecs de génération. Se termine en montrant comment ce même pipeline devient un outil qu'un agent de M350 peut appeler via un serveur MCP de M351.
Ce que vous apprendrez
- Décider quand un pipeline de grounding managé est le bon choix face à une recherche HANA Cloud SQL construite à la main (M330), et en construire un pour un vrai corpus documentaire
- Nommer les dépôts de données de document grounding supportés et l'unique source de site web supportée
- Appeler le module de grounding depuis l'orchestration en Python (PipelineAPIClient, GroundingModule, DocumentGroundingFilter, GroundingFilterSearch) ou en JavaScript (@sap-ai-sdk/document-grounding), et insérer sa réponse via la variable de gabarit {{?grounding_response}}
- Régler max_chunk_count et dataRepositories délibérément, en arbitrant rappel contre précision et périmètre de gouvernance
- Configurer mask_grounding_input avec MaskingMethod.ANONYMIZATION et les types d'entités pertinents (dont ProfileEntity.SAP_IDS_INTERNAL) pour de la documentation SAP interne
- Construire une évaluation d'ancrage qui sépare un échec de recherche d'un échec de génération
Aperçu du module
À qui s'adresse ce module. M325 faisait le tour de tout le generative AI hub — orchestration, grounding, masquage, filtrage. M330 vous a montré comment construire vous-même la recherche dans HANA Cloud en SQL. Ce module ne fait ni l'un ni l'autre : il prend la voie de grounding managée et la parcourt de bout en bout, une fois, pour un scénario réel — un assistant de centre de services partagés qui répond à partir de la documentation de processus SAP interne et cite ses sources. Si M330 c'est « construire la recherche », ceci c'est « configurer le pipeline que SAP a déjà construit pour vous », et savoir quand choisir l'un ou l'autre fait partie du module.
Prérequis
- M325 — SAP Generative AI Hub en pratique : orchestration, grounding, masquage, filtrage
- M333 — Fondamentaux IA et LLM pour consultants SAP (RAG, hallucination, évaluation)
- Aisance en Python ou JavaScript et lecture de documentation de référence de SDK
- Recommandé en parallèle de M330 (recherche construite soi-même dans HANA Cloud) pour comparaison, et de M350/M351 si ce pipeline doit aussi servir un agent
Acquis
- Mettre en place un pipeline de grounding opérationnel sur un vrai dépôt documentaire et y effectuer une recherche via l'orchestration.
- Justifier une configuration de max_chunk_count et dataRepositories au regard d'un arbitrage écrit rappel/précision/gouvernance.
- Configurer le masquage sur l'entrée de grounding avec des types d'entités nommés adaptés au corpus documentaire réel.
- Exécuter une évaluation d'ancrage qui diagnostique si une mauvaise réponse vient de la recherche ou de la génération.
Module complet réservé aux abonnés. Le module complet ajoute : le cadre de décision · le cas guidé de bout en bout · la grille de KPI · les anti-patterns · les blocs de code · le contrôle de connaissances · les schémas.