E-commerce
10 juillet 2026
« Page 47 du manuel, c'est quoi déjà le voyant orange ? » « Quelle puissance max sur prise 220 V ? » « Mon modèle Luxe Cafe, comment régler l'intensité espresso ? » Trois questions précises noyées dans un PDF de 80 pages. Un bot générique invente. Un bot manuel bien calibré cite la section exacte.
Salesforce rapporte que SharkNinja a dû restructurer des manuels image-heavy avant agent unboxing : chunking intelligent, traçabilité Compare with Source, 30 % de résolution autonome visée (Salesforce, SharkNinja 2026). eBay documente en production qu'un RAG How-To avec chunking récursif et métadonnées enrichies bat le découpage fixe sur la précision retrieval (ACL Industry, eBay How-To 2026).
Ce guide #331 traite le chatbot IA pour manuels produit longs : recherche, citation, flow conversationnel. Automatise MANUAL-REGISTRY (#330), distinct du bot tutoriels (#233) (guides pas à pas maison) et de la bibliothèque (#232).
Summary
Pourquoi un bot manuel diffère-t-il d'un bot tutoriel ou d'une KB générale ?
Un bot manuel produit ne rédige pas un tutoriel : il retrouve et reformule fidèlement un passage dans une documentation longue, souvent fournisseur.
Trois échecs bot doc longue
Chunk fixe 500 tokens : coupe un tableau specs en deux, réponse fausse
Pas de filtre SKU : répond avec le mauvais modèle 2024
Hallucination specs : invente wattage ou dosage non présent
Ce que le RAG manuel apporte
Heeya estime 55 à 72 % de déflexion tier-1 quand le RAG est chunké et routé par SKU (Heeya, RAG support 2026). Chitika : 41 à 58 % sur care instructions et compatibilité quand la doc est vérifiée (Chitika 2026).
Principe #331
Pipeline MANUAL-RAG-LOOP : ingest MANUAL-REGISTRY → chunk structurel → index hybride → retrieve filtré SKU → cite passage → réponse grounded → handoff si confiance basse.
En quoi diffère-t-il du registre #330, du bot tutoriels #233 et du troubleshooting #229 ?
Cinq contenus documentation, cinq rôles bot distincts.
Registre notice (#330)
Tickets notice (#330) : MANUAL-REGISTRY, distribution QR, conversion PDF web. Le #331 : recherche conversationnelle dans ces docs indexées.
Bot tutoriels (#233)
Bot tutoriels (#233) : matching tut_id, flow étape par étape pédagogique maison. Le #331 : Q&R sur manuel officiel long, citations sources.
Bibliothèque (#232)
Bibliothèque (#232) : TUT-meta inventaire. Le #331 consomme MANUAL-META + chunks RAG, pas tut_id.
Troubleshooting (#229)
Troubleshooting (#229) : arbre diagnostic TRB. Le #331 répond « que dit le manuel sur ce voyant ? » avant TRB.
Questions produit (#questions)
Questions produit : specs PDP courtes. Le #331 : profondeur manuel 40+ pages.
Promesse #331
MANUAL-RAG-INTENT, MANUAL-RAG-CHUNK, MANUAL-RAG-RETRIEVE, MANUAL-RAG-GUARD, flow citation, KPI précision, playbooks.
Quelle taxonomie MANUAL-RAG-INTENT pour router le bot manuel ?
La taxonomie MANUAL-RAG-INTENT mappe verbatims vers stratégies retrieval.
10 intents bot manuel
manual_rag_section_find: « où est l'entretien ? »manual_rag_spec_query: wattage, capacité, dimensionsmanual_rag_setup_step: étape N assembly ou first usemanual_rag_safety: consignes sécurité, avertissementsmanual_rag_care: lavage, nettoyage, stockagemanual_rag_warranty: garantie, pièces détachéesmanual_rag_accessory: pièce compatible citée manuelmanual_rag_compare_revision: différences modèle A vs Bmanual_rag_image_need: client demande schéma ou photomanual_rag_not_found: passage absent du corpus
Routing priorité
P0 : manual_rag_safety (citation verbatim obligatoire). P1 : spec_query avec filtre SKU commande. P2 : section_find, care. Bridge #330 manual_section_find → bot RAG si registre indexé.
Mining verbatims
Croiser tags manual_* (#330) et questions contenant « manuel », « notice », « page », « annexe ».
Comment chunker un manuel long avec MANUAL-RAG-CHUNK ?
Le protocole MANUAL-RAG-CHUNK préserve structure hiérarchique, pas découpage aveugle.
Chunking récursif (recommandé)
ACL Industry/eBay : chunking récursif sur cues structurels (H1, H2, listes numérotées) surpasse fixed-size sur mAP retrieval How-To (ACL 2026). SharkNinja chunk l'compréhension du PDF, pas le texte brut OCR, pour garder diagrammes et séquence (Salesforce 2026).
Règles chunk manuel
Taille cible : 384-512 tokens procédures, 512-1024 specs tables
Overlap : 10-15 % entre chunks adjacents (Lushbinary prod 2026)
Parent-child : petit chunk retrieve, parent chunk pour contexte LLM
Tables intactes : jamais couper ligne specs milieu
Métadonnées chunk obligatoires
manual_id, sku[], section_title, page_ref, lang, revision_date, has_diagram. Enrichir titre section dans le chunk (eBay metadata enrichment).
Quels garde-fous MANUAL-RAG-GUARD imposer au bot manuel ?
Le document MANUAL-RAG-GUARD verrouille précision sur documentation réglementaire.
12 règles non négociables
Citation obligatoire : chaque spec cite chunk source + page
Strict no-answer : si retrieval score < seuil, dire « non trouvé dans le manuel »
Jamais inventer chiffre : wattage, dose, température depuis chunk uniquement
Filtre SKU : retrieve limité manual_id commande auth
Langue marché : corpus FR si client FR
Sécurité verbatim : avertissements copiés sans paraphrase
Pas de conseil médical : renvoi professional si INCI/allergène hors manuel
Version datée : afficher revision_date chunk utilisé
Compare with source : log passage pour audit qualité
Pas de mélange modèles : deux SKUs = deux corpus séparés
Handoff confiance basse : 2e échec retrieve → humain
Review humaine : SME valide top 20 réponses critiques pré-prod
Modèle SharkNinja attack-the-bot
Agents support testent edge cases quotidiennement ; sessions conversation engineering hebdo (PYMNTS 2026).
Comment configurer le retrieval hybride MANUAL-RAG-RETRIEVE ?
Le module MANUAL-RAG-RETRIEVE combine sémantique, mots-clés et filtres métadonnées.
Pipeline retrieval 5 étapes
Query rewrite : reformuler question client en requête search (+ synonymes section)
Pre-filter : sku, lang, manual_id depuis commande auth
Hybrid search : alpha 0,65 sémantique / 0,35 BM25 (Branch8 e-commerce 2026)
Rerank : cross-encoder top 5 → top 2 chunks
Confidence gate : score min 0,72 sinon manual_rag_not_found
Cas lexical vs sémantique
« SKU WB-4500 » ou « page 47 » : alpha keyword 0,7. « Comment nettoyer le filtre ? » : alpha sémantique 0,75. Branch8 recommande routing dynamique par classification query (Branch8, RAG e-commerce 2026).
Refresh index
Webhook MANUAL-REGISTRY update → re-index sous 15 min. Jamais stocker stock/prix dans vecteur manuel.
Comment structurer le flow conversationnel MANUAL-RAG-FLOW ?
Le flow MANUAL-RAG-FLOW guide sans recracher 800 mots d'un coup.
Flow manual_rag_spec_query
Confirmer SKU depuis commande ou demander modèle
Retrieve chunk specs
Réponse : « Selon le manuel {manual_id}, section {section} : {extrait}. » + lien page notice
Proposer : « Autre question sur ce produit ? »
Flow manual_rag_setup_step
Retrieve chunk procédure étape N. Afficher une étape, bouton « étape suivante » ou confirmation « OK ». Si chunk référence diagramme : embed image asset. Bridge #233 si tut_setup maison existe en parallèle.
Flow manual_rag_not_found
« Je ne trouve pas cette information dans le manuel {revision_date}. Voici le lien PDF complet : {url_pdf}. Je vous mets en relation avec un agent. » Log gap pour enrichir corpus (#330 MANUAL-CONVERT).
Multimodal
Intent manual_rag_image_need : servir asset diagramme du chunk metadata has_diagram=true. Abeyon recommande pointer vers page PDF exacte si fidélité maximale requise (Abeyon, manuels techniques 2025).
Quels outils MANUAL-RAG-TOOLS connecter au bot Shopify ?
La couche MANUAL-RAG-TOOLS alimente retrieval sans halluciner hors corpus.
Lecture obligatoire
Vector index : chunks MANUAL-RAG-CHUNK versionnés
MANUAL-REGISTRY : manual_id, sku, url_web, url_pdf (#330)
Order API : SKU line items post-auth
Asset CDN : diagrammes extraits PDF
Tools bot
manual_rag_search(query, sku, lang, top_k) → chunks + scores. manual_get_section(manual_id, section_slug) → chunk parent. manual_log_citation(conversation_id, chunk_id) → audit.
Sync contenu
Pipeline : PDF/web update → MANUAL-CONVERT (#330) → re-chunk → re-embed. GetAgent : chunks 384-512 tokens optimal step-by-step (GetAgent 2026).
Gouvernance
Aligner gouvernance bot (#142) : corpus manuel = tier sensible.
Comment adapter le bot manuel par type de documentation ?
La matrice doc MANUAL-RAG calibre chunking et flow selon le format source.
PDF fournisseur image-heavy
OCR + LLM structure understanding (SharkNinja). Chunks par section visuelle. manual_rag_image_need fréquent.
Page web notice (#330)
Chunk par H2 help center. Retrieval rapide, citations url_web#anchor.
Manuel multi-langue
Index séparés par lang. Pas de traduction LLM à la volée sur consignes sécurité.
Gamme produits similaires
manual_rag_compare_revision : retrieve chunks deux manual_id, tableau diff bot avec citations doubles.
Cosmétique INCI / SDS
manual_rag_spec_query strict verbatim. Handoff allergologue si hors manuel. Lien #330 manual_regulatory_sheet.
Quels KPI mesurer la précision bot manuel ?
Mesurez précision citation et confiance, pas seulement le volume conversations.
KPI MANUAL-RAG
manual_rag_resolution_rate : clos sans humain / total intents manuel
manual_rag_citation_accuracy : audits SME échantillon (cible 95 %+)
manual_rag_hallucination_rate : specs fausses détectées (cible 0)
manual_rag_not_found_rate : gaps corpus à combler
manual_rag_retrieval_mrr : Mean Reciprocal Rank eval set 100 questions
manual_rag_csat : satisfaction réponses manuel
Eval harness
100 questions réelles clients par SKU premium. Relancer avant chaque MAJ manuel. OST Agency : eval harness avant update catalogue évite régressions RAG (OST, RAG catalogues 2026).
Post-mortem mensuel
Top manual_rag_not_found → pipeline #330 MANUAL-CONVERT. Attack-the-bot logs → ajuster GUARD.
Comment Qstomy cherche-t-il dans un manuel long sans inventer ?
Qstomy exécute MANUAL-RAG-LOOP : filtre SKU commande, retrieval hybride, citation page, strict no-answer si confiance basse.
Capacités
Index chunks depuis MANUAL-REGISTRY (#330)
10 intents MANUAL-RAG-INTENT automatisés
Citation inline section + lien url_web
MANUAL-RAG-GUARD : zéro spec hors chunk
Flow setup step-by-step avec diagrammes
Log gaps manual_rag_not_found pour ops contenu
Scénario DTC chiffré
Marque petit électro, 12 SKU, manuels 45-90 pages. Avant #331 : 142 tickets manual_section_find/mois, agents copient-coller PDF, manual_rag_hallucination_rate estimé 8 % sur bot générique. Après MANUAL-RAG Qstomy (10 SKU indexés, 6 semaines) : manual_rag_resolution_rate 68 %, manual_rag_citation_accuracy 96 % (audit 50 réponses), manual_rag_hallucination_rate 0, tickets manual_* -54 %, manual_rag_csat 4,3/5.
Intégration
Sync MANUAL-REGISTRY + chunk pipeline. Voir support client IA, démo. Suite : notice absente (#352 à venir).
Quels playbooks déployer pour lancer le bot manuel RAG ?
Playbook 1 : index pilote 3 SKU (1 semaine)
MANUAL-CONVERT (#330) → MANUAL-RAG-CHUNK → embed. 30 questions eval par SKU.
Playbook 2 : MANUAL-RAG-GUARD tests (3 h)
20 scénarios : spec absente, mauvais SKU, sécurité, langue. hallucination_rate = 0.
Playbook 3 : attack-the-bot (2 h/semaine)
Agents support cassent le bot. Log + fix chunks ou GUARD.
Playbook 4 : hybrid tuning (4 h)
Ajuster alpha retrieval sur 100 queries réelles. Mesurer MRR.
Playbook 5 : rollout 10 SKU top CA (2 semaines)
Activer widget post-auth. Monitor KPI section 10. Enrichir gaps.
Maillage utile
Enzo
10 juillet 2026
