# Des réponses depuis vos connaissances, dans l'UE

URL: https://munito.ai/fr/solutions/knowledge-search

Branchez des modèles ouverts sur vos procédures, vos tickets et vos contrats, et renvoyez des réponses avec le passage derrière chacune. L'index vous appartient ; nous servons la réponse.

## Des réponses depuis vos connaissances, avec le passage derrière chacune

Vos procédures, vos tickets, vos contrats, votre wiki. Un modèle qui les lit répond avec vos propres mots et cite la page qu'il a lue, pour que la personne qui demande puisse vérifier.

Munito AI assure la lecture et la rédaction, sur une infrastructure européenne, sans conservation des données par défaut. Vos contenus restent les vôtres, et ils restent là où vous les avez mis.

## Soyez clair sur le partage

**Nous ne servons aucun point d'entrée d'embeddings.** C'est une vraie limite, et elle change votre façon de construire. L'index vous appartient ; nous répondons à partir de ce qu'il renvoie.

| Étape | Qui s'en charge |
| --- | --- |
| Stocker et découper vos contenus | Vous, dans votre propre système |
| Construire l'index | Vous, avec vos embeddings ou un index par mots-clés |
| Récupérer les passages | Vous |
| Les lire et répondre | Munito AI |
| Renvoyer la source | Votre application, depuis les passages qu'elle a envoyés |

Si vous voulez un seul fournisseur pour toutes les étapes, dites-le tôt : Scaleway, OVHcloud et Blade servent des embeddings, pas nous. La [recette de recherche](https://docs.munito.ai/recipes/rag) construit toute la boucle avec un index par mots-clés qui tourne sur votre machine, pour mesurer la qualité des réponses avant de choisir une base vectorielle.

## Un long contexte change la conception

DeepSeek-V4-Flash, DeepSeek-V4.1-Flash-1017 et GLM-5.3-Flash lisent chacun un million de tokens. De quoi cesser de découper les documents en petits morceaux en espérant que le bon remonte.

Envoyez moins de passages, plus gros. Moins de morceaux, c'est moins d'échecs de récupération, et un modèle qui voit une section entière écrit une meilleure réponse qu'un modèle qui en voit trois fragments.

Un préfixe répété ne coûte presque rien : l'entrée en cache sur DeepSeek-V4.1-Flash-1017 est à $0.006 le million de tokens, contre $0.30 sans cache. Un bloc d'instructions fixe devant chaque question est quasiment gratuit.

## Rendez la réponse vérifiable

Utilisez les [sorties structurées](https://docs.munito.ai/features/structured-outputs) : le modèle renvoie la réponse et les identifiants des passages utilisés, dans une forme que votre application affiche en liens. Une réponse que personne ne peut vérifier est une rumeur bien tournée.

La [recette de recherche sémantique](https://docs.munito.ai/recipes/semantic-search) couvre le classement, et la [recette de recherche](https://docs.munito.ai/recipes/rag) l'étape de rédaction.

## Les connaissances internes, voilà pourquoi la région compte

Un wiki de support porte des noms de clients. Une procédure porte le fonctionnement d'un contrôle. Ce sont les documents sur lesquels une équipe sécurité interroge en premier.

Envoyez vers `https://api.eu.munito.ai` et la requête s'exécute dans l'UE ; la réponse nomme la région dans l'en-tête `munito-region`. Munito AI ne garde ni requêtes ni réponses par défaut, et n'entraîne rien avec ce que vous envoyez. Le DPA s'applique sans signature.

Pour un contenu qui ne doit pas quitter votre périmètre, faites tourner la plateforme dans votre propre compte cloud ou sur site. Voir [Entreprise](https://munito.ai/enterprise).

## Prouvez-le sur des questions dont vous connaissez la réponse

Écrivez cinquante questions auxquelles votre équipe répond aujourd'hui, avec la bonne source pour chacune. Mesurez combien de fois le système trouve le bon passage, combien de fois la réponse est juste quand le passage l'est, et combien de fois il dit qu'il ne sait pas.

Le deuxième chiffre relève du modèle. Le premier relève de votre index, et c'est en général celui qui cloche.

## Commencer

- [Construire la boucle de recherche](https://docs.munito.ai/recipes/rag)
- [Classer les passages](https://docs.munito.ai/recipes/semantic-search)
- [Fixer la forme de la réponse](https://docs.munito.ai/features/structured-outputs)
- [Parler à un ingénieur](https://munito.ai/contact) de vos contenus et de votre exigence de justesse


## Questions fréquentes

### Quels modèles ouverts Munito AI sert-il ?

Des modèles de chat comme Qwen, DeepSeek, GLM et Kolibri, un modèle d'OCR qui transforme les documents en Markdown, un modèle de parole vers texte, et des modèles de décision. Le catalogue nomme le contexte et les régions de chacun.

### Munito AI conserve-t-il mes prompts et mes sorties ?

Non, pas par défaut. L'absence de conservation est la règle : après la livraison, Munito AI supprime le contenu temporaire de la requête. Il ne garde un contenu que si la requête le demande, et alors 30 jours.

### Où Munito AI traite-t-il mes requêtes ?

L'hôte UE traite chaque requête dans l'UE, l'hôte US aux États-Unis, et l'hôte global dans n'importe quelle région. Chaque réponse nomme sa région dans l'en-tête munito-region.

### La mise en cache des prompts coûte-t-elle plus cher ?

Non. Munito AI met en cache les préfixes de prompt répétés de lui-même. Un token d'entrée en cache coûte le prix du cache, et une écriture dans le cache ne coûte rien de plus.

https://docs.munito.ai/faq