En bref. Une base de données vectorielle stocke des plongements vectoriels et retrouve les vecteurs proches à l’aide d’une mesure de distance ou de similarité.

Définition : Une base de données vectorielle (vector database) stocke des plongements vectoriels (embeddings), des représentations numériques de contenus, et retrouve les enregistrements dont les vecteurs sont les plus proches d’un vecteur de requête. La recherche par similarité utilise une mesure de distance ou de similarité pour trouver les plus proches voisins, c’est-à-dire les enregistrements dont les vecteurs sont les plus proches.

Points clés

Au 17 octobre 2026, le README de pgvector décrit une extension PostgreSQL qui stocke les vecteurs avec les autres données et utilise par défaut une recherche exacte des plus proches voisins.
La présentation de la recherche vectorielle de Microsoft, datée d’août 2026, illustre la correspondance conceptuelle avec « dog » et « canine », deux mots différents qui partagent le même sens.
La documentation sur le classement des résultats vectoriels de Microsoft, datée de janvier 2026, décrit la recherche exhaustive sur l’ensemble des vecteurs et la recherche approximative dans un graphe.

Comment les vecteurs sont-ils stockés et interrogés ?

L’exemple de prise en main de pgvector crée une colonne vectorielle à trois dimensions, insère deux vecteurs et demande jusqu’à cinq plus proches voisins :

CREATE EXTENSION vector;
CREATE TABLE items (id bigserial PRIMARY KEY, embedding vector(3));
INSERT INTO items (embedding) VALUES ('[1,2,3]'), ('[4,5,6]');
SELECT * FROM items ORDER BY embedding <-> '[3,1,2]' LIMIT 5;

L’opérateur <-> mesure la distance euclidienne, également appelée distance L2. La requête trie les lignes par distance croissante par rapport au vecteur fourni. Ces vecteurs sont ceux de l’exemple de la documentation. L’extension prend aussi en charge la distance cosinus avec <=>.

Comment un contenu devient-il un résultat de recherche ?

La présentation de Microsoft décrit des processus distincts pour l’indexation et les requêtes. Un modèle de plongement vectoriel convertit le contenu en vecteurs destinés au stockage. Lors d’une requête, l’application convertit la demande en un vecteur de requête. La recherche par similarité renvoie les documents associés aux vecteurs proches.

La documentation sur le classement précise que les vecteurs des documents et des requêtes proviennent du même modèle de plongement vectoriel, ce qui les place dans le même espace de plongement : l’espace numérique dans lequel les distances sont comparées.

Pour une base de connaissances de site web, Microsoft présente le stockage vectoriel comme une source de données d’ancrage pour la génération augmentée par la recherche (retrieval-augmented generation, RAG), une architecture qui fournit des contenus issus d’une recherche à un modèle produisant une réponse. La présentation du RAG de Microsoft décrit cette transmission dans son schéma RAG classique. Cette présentation décrit aussi la recherche hybride, qui combine des requêtes vectorielles et par mots-clés et fusionne leurs résultats.

Que change un index approximatif ?

La recherche exacte compare la requête à tous les vecteurs stockés. La documentation de Microsoft sur le classement décrit cette approche exhaustive comme coûteuse en calcul et utile pour constituer des résultats de référence.

La recherche approximative des plus proches voisins réduit l’espace de recherche et accepte une certaine perte d’exactitude pour accélérer la récupération des résultats. Hierarchical Navigable Small World (HNSW) est un algorithme approximatif qui organise les vecteurs en graphe et suit les connexions pour trouver des candidats proches. Ses paramètres influent sur le rappel, la latence et l’utilisation de la mémoire. Le rappel mesure ici la proportion des plus proches voisins exacts que la recherche approximative retrouve.

La documentation de pgvector sur l’indexation avertit que l’ajout d’un index approximatif peut modifier les résultats des requêtes. Ses consignes de suivi comparent les résultats approximatifs à ceux de la recherche exacte pour vérifier le rappel.

Termes associés

Questions fréquentes

Une recherche vectorielle peut-elle aussi utiliser des mots-clés ?

Oui. La présentation de Microsoft décrit la recherche hybride comme une recherche vectorielle et par mots-clés dans une même requête, dont les résultats sont fusionnés en une seule réponse.

Pourquoi une requête filtrée peut-elle renvoyer moins de résultats ?

La documentation de pgvector sur le filtrage explique que les index approximatifs appliquent le filtrage après le parcours de l’index. Les parcours itératifs de l’index peuvent en explorer une plus grande partie lorsque des résultats supplémentaires sont nécessaires.

Sources

Vérifiez comment une page se lit pour les moteurs de réponse. Ouvrir l’analyseur de score GEO

Base de données vectorielle