RAG : prefixes de tache nomic-embed (search_document / search_query)

nomic-embed-text est entraine avec des prefixes de tache distincts pour le
corpus et la question ; sans eux la pertinence du retrieval est degradee.
Applique uniquement aux modeles nomic (les autres restent neutres).
NB : les sources indexees avant ce changement doivent etre re-uploadees.

Co-Authored-By: Claude Opus 4.8 <noreply@anthropic.com>

brain/app/application/embeddings.py

@@ -14,7 +14,13 @@ class EmbeddingError(Exception):
 
 
 class EmbeddingProvider(Protocol):
-    """Calcule les vecteurs d'une liste de textes (ordre préservé)."""
+    """Calcule les vecteurs d'une liste de textes (ordre préservé).
 
-    async def embed(self, texts: list[str]) -> list[list[float]]:
+    `kind` distingue les DOCUMENTS indexés ("document") de la QUESTION posée
+    ("query") : certains modèles (nomic-embed-text) sont entraînés avec des
+    préfixes de tâche distincts et perdent en pertinence sans eux. Les adapters
+    qui n'en ont pas besoin (mistral-embed) ignorent simplement le paramètre.
+    """
+
+    async def embed(self, texts: list[str], kind: str = "document") -> list[list[float]]:
         ...

brain/app/application/notebook_rag.py

@@ -86,7 +86,7 @@ class NotebookRagUseCase:
         ids = [s for s in source_ids if vector_store.exists(s)]
         if not ids or not query.strip():
             return []
-        query_vectors = await self._embedder.embed([query])
+        query_vectors = await self._embedder.embed([query], kind="query")
         if not query_vectors:
             return []
         return vector_store.search(