Base de données vectorielle
Une base de données vectorielle (vector database) stocke des embeddings avec leurs enregistrements source et retrouve les vecteurs stockés les plus proches d'un vecteur de requête, généralement à l'aide d'un index approximatif pour que la recherche reste rapide sur des millions d'éléments.
Aussi appelé : vector store, vector DB
Par Divya Sharma · Vérifié le 15 nov. 2026 · Notre méthode
Une base de données classique répond à « trouver les lignes où status = open ». Une base de données vectorielle répond à « trouver les éléments les plus similaires à celui-ci », la similarité étant mesurée entre des embeddings. C'est la couche de stockage de la plupart des systèmes de génération augmentée par récupération, de recherche sémantique et de recommandation.
Ce qu'elle fait
Elle conserve chaque vecteur avec un identifiant et des métadonnées comme la source, la date ou le propriétaire. Elle construit un index, souvent HNSW, pour la recherche des plus proches voisins approximatifs. Elle gère aussi les insertions, les mises à jour et les suppressions, et vous permet de combiner similarité et filtrage par métadonnées.
Options
Certains produits sont conçus uniquement pour les vecteurs, comme Pinecone, Qdrant et Milvus. D'autres ajoutent la recherche vectorielle à une base de données que vous utilisez peut-être déjà, comme pgvector pour Postgres. Des bibliothèques comme Faiss fournissent l'index sans les parties base de données, si bien que vous gérez vous-même le stockage, les mises à jour et le filtrage. Le guide des bases de données vectorielles les compare.
En quoi elle diffère d'un index vectoriel
Un index est la structure de données qui rend la recherche rapide. Une base de données enveloppe cet index de durabilité, de contrôle d'accès, de réplication et d'une API. Pour un prototype avec quelques milliers de vecteurs, un index en mémoire, voire un parcours exhaustif, suffit souvent.
Limites
Les résultats sont approximatifs : une petite part des vrais voisins peut donc être manquée. Beaucoup de produits prennent aussi en charge la recherche par mots-clés ou la recherche hybride, ce qui aide pour les termes exacts que les embeddings gèrent mal.
Termes liés
- HNSW
- HNSW (hierarchical navigable small world) est un index à base de graphe pour la recherche approximative des plus proches voisins. Il relie les vecteurs à leurs voisins sur plusieurs couches, afin qu'une recherche puisse progresser rapidement vers les correspondances les plus proches.
- Embedding
- Un embedding (plongement vectoriel) est une liste de nombres (un vecteur) qui représente un morceau de texte, une image ou d'autres données, produite de sorte que les éléments de sens proche obtiennent des vecteurs proches les uns des autres.
- Recherche approximative des plus proches voisins
- La recherche approximative des plus proches voisins (ANN, approximate nearest neighbor) trouve des vecteurs proches d'une requête sans vérifier chaque vecteur stocké. Elle renonce à la garantie d'obtenir exactement la meilleure correspondance en échange d'une recherche bien plus rapide sur de grandes collections.
- Recherche vectorielle
- La recherche vectorielle (vector search) trouve des éléments en comparant leurs embeddings à celui d'une requête et en renvoyant les plus proches, si bien que les résultats correspondent par le sens plutôt que par des mots-clés communs.
- Filtrage par métadonnées
- Le filtrage par métadonnées (metadata filtering) limite une recherche aux éléments dont les attributs stockés, comme la date, l'auteur, la langue ou le groupe d'accès, remplissent des conditions données, en complément ou en amont du classement par similarité vectorielle.
- Recherche hybride
- La recherche hybride (hybrid search) exécute une recherche par mots-clés et une recherche vectorielle sur la même requête et fusionne les deux listes classées, afin que les résultats puissent correspondre aux mots exacts comme au sens.