Base vectorielle (pgvector, Atlas, Pinecone)

Définition

Stockage et recherche de vecteurs par plus proches voisins, exacts ou approximatifs (index HNSW, IVFFlat). pgvector 0.8.6 ajoute à PostgreSQL les types vector, halfvec, sparsevec (jusqu'à 16 000 dimensions) et les opérateurs <-> (L2), <=> (cosinus), <#> (produit scalaire négatif). MongoDB Atlas Vector Search expose l'étape $vectorSearch (ANN via HNSW ou ENN exact, 8 192 dimensions max). Pinecone est un service managé dédié.

Analogie

Un index de bibliothèque classé par « voisinage de sens » plutôt que par ordre alphabétique.

Exemple de code

CREATE EXTENSION IF NOT EXISTS vector;

CREATE TABLE chunks (
  id bigserial PRIMARY KEY,
  url text, content text,
  embedding vector(1536)                -- text-embedding-3-small
);
-- Index approximatif HNSW, distance cosinus
CREATE INDEX ON chunks USING hnsw (embedding vector_cosine_ops);

-- Top 5 voisins de la question ($1 = vecteur JSON '[0.01,...]')
SELECT url, content, 1 - (embedding <=> $1::vector) AS score
FROM chunks
ORDER BY embedding <=> $1::vector
LIMIT 5;

Cas d'usage

RAG sur une stack déjà PostgreSQL ou MongoDB sans ajouter d'infrastructure ; Pinecone quand le volume ou la charge le justifie.

Anti-pattern

Termes liés

Sources

• github.com/pgvector/pgvector
• mongodb.com/docs/atlas/atlas-vector-search/vector-search-overview/