Aller au contenu
ReviewRamble

La lettre hebdomadaire

L’IA, évaluée, dans votre boîte mail.

  • Les nouveaux tests d’outils, de modèles, de serveurs MCP et de dépôts, avec le verdict en premier
  • Les prix et les notes revérifiés quand quelque chose change
  • Les nouvelles analyses dès leur publication

Modèles, agents, serveurs MCP et les outils qui méritent vraiment votre temps.

Un e-mail par semaine. Désinscrivez-vous avec le lien présent dans chaque lettre. Comment nous utilisons votre e-mail

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.

Aussi appelé : semantic search, similarity search, dense retrieval

Par Divya Sharma · Vérifié le 15 nov. 2026 · Notre méthode

La recherche par mots-clés trouve les documents qui contiennent les mots que vous avez tapés. La recherche vectorielle trouve les documents dont les embeddings se situent près de celui de la requête, si bien que « la voiture ne démarre pas » peut correspondre à une page intitulée « Dépanner une batterie à plat ». La proximité se mesure avec la similarité cosinus, le produit scalaire ou la distance euclidienne.

Dense retrieval

Le dense retrieval (recherche dense) est le nom que donne la recherche d'information à la même idée : les requêtes et les passages sont chacun encodés en vecteurs denses, et la recherche consiste à trouver les plus proches voisins. Le terme s'oppose à la recherche parcimonieuse comme BM25, où la plupart des entrées du vecteur valent zéro et où chacune correspond à un mot. Un article de 2020 sur le dense passage retrieval a montré que cette approche, entraînée sur des paires question-passage, pouvait battre une solide référence BM25 pour les questions-réponses en domaine ouvert.

Comment elle passe à l'échelle

Comparer une requête à chaque vecteur stocké est exact mais lent. Les systèmes de production utilisent des index de plus proches voisins approximatifs comme HNSW, généralement au sein d'une base de données vectorielle.

Limites

La recherche vectorielle peut manquer les correspondances exactes sur les noms, les codes d'erreur et les termes rares, et elle renvoie toujours quelque chose, même quand rien de pertinent n'existe. Beaucoup d'équipes l'associent à la recherche par mots-clés dans une recherche hybride, puis appliquent un reranking.

Termes liés

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 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.
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.
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.
BM25
BM25 est une formule de classement pour la recherche par mots-clés. Elle note chaque document selon la fréquence des mots de la requête qu'il contient, en accordant plus de poids aux mots rares et moins de crédit aux documents longs et aux termes répétés.

Sources