Une base vectorielle, c'est une base de données conçue pour stocker des embeddings et retrouver les plus proches d'une requête. Au lieu de chercher un mot exact, elle cherche par similarité de sens. C'est l'élément central d'un système RAG : on y range les documents vectorisés pour les ressortir au bon moment.
Exemple – Pinecone, Qdrant ou pgvector sont des bases vectorielles utilisées pour alimenter un chatbot RAG.
Quelle base vectorielle choisir ?
| Solution | Type | Pour qui |
|---|---|---|
| pgvector | Extension PostgreSQL (open source) | Tu as déjà une base Postgres et un volume modéré : le plus simple à auto-héberger. |
| Qdrant | Moteur dédié (open source) | Tu veux un moteur spécialisé rapide, auto-hébergeable, sans dépendre d'un SaaS. |
| Pinecone | Service géré (propriétaire) | Tu préfères payer pour ne rien gérer et monter en charge sans ops. |
Questions fréquentes
Une base vectorielle remplace-t-elle ma base classique ?
Non. Elle vient en complément : ta base SQL garde les données métier, la base vectorielle stocke les embeddings pour la recherche par sens. Les deux cohabitent.
Faut-il une base vectorielle pour faire du RAG ?
Pour quelques dizaines de documents, non : un simple calcul de similarité en mémoire suffit. Dès que le corpus grossit ou doit être interrogé en continu, une vraie base vectorielle devient indispensable.
À lire aussi – RAG, embedding et fenêtre de contexte.
Si tu veux passer de la définition à des workflows qui tournent en prod, le guide L’IA qui tourne vraiment (12 workflows n8n téléchargeables) t’aide à cadrer les prochaines étapes.