La recherche vectorielle n'est pas un achat, c'est dix lignes de SQL
6 152 octets : la place qu'occupe un embedding de 1 536 dimensions dans une table Postgres, une arithmétique que le README de pgvector énonce sans détour, 4 octets par dimension plus 8 d'en-tête. Un catalogue de 400 000 produits porte environ 2,5 Go d'embeddings en tout. Tenez ce chiffre contre la conversation tarifaire dans laquelle un champ de recherche traîne d'habitude son propriétaire, et la moitié de l'argument de ce tutoriel est faite : les vecteurs qui répondent à une question à échelle humaine n'exigent pas de décision d'infrastructure.
La thèse à mettre à l'épreuve : à l'échelle où la plupart des produits cherchent réellement, une colonne vectorielle dans la base Postgres que vous faites déjà tourner, ou même un tri par cosinus au-dessus d'un fichier, répond correctement, et la base vectorielle dédiée est une décision pour plus tard, quand les écritures, la latence ou l'échelle l'imposeront. Les trois mouvements ci-dessous vont du moins d'infrastructure au plus. Votre charge de travail, pas une page de catégorie, choisit lequel.
Dix lignes de SQL, zéro infrastructure
Commencez là où commence une démo, dans un fichier. DuckDB embarque dans le noyau un type ARRAY de taille fixe et une fonction de cosinus, et une colonne de réels triée par similarité est tout le mécanisme de la « recherche sémantique » :
CREATE TABLE items (id INTEGER, name TEXT, embedding FLOAT[3]);
INSERT INTO items VALUES (1, 'ski boots, size 28', [0.9, 0.1, 0.0]::FLOAT[3]);
INSERT INTO items VALUES (2, 'beach towel', [0.0, 0.9, 0.1]::FLOAT[3]);
SELECT id, name,
array_cosine_similarity(embedding, [0.8, 0.6, 0.0]::FLOAT[3]) AS sim
FROM items
ORDER BY sim DESC
LIMIT 5;
Dans le jouet à trois dimensions, chaque étape reste visible : un parcours, une similarité par ligne, un tri, un LIMIT. Remplacez le jouet par une vraie colonne d'embeddings à 1 536 dimensions du modèle de votre choix et le SQL ne change pas, seule la taille derrière lui change. C'est la forme honnête de la force brute : la table entière est lue à chaque requête. Cela ne réclame ni déploiement ni nouveau serveur à justifier, que la recherche soit ponctuelle ou en lot. Le coût par requête grandit linéairement avec le catalogue, le compromis entier tient dans une clause, et il reste abordable loin au-delà de la taille où un VLOOKUP Excel trépassait. Rien n'attend non plus d'être reconstruit : il n'existe aucun index dans ce chemin, si bien qu'un catalogue recalculé le matin est visible dès la requête de l'après-midi.
La fin de l'« abordable » est une question que votre trafic répond, pas la nôtre. Nous ne publions pas de benchmark à sa place. Ce que l'arithmétique peut affirmer, c'est la forme mémoire : quelques centaines de milliers de vecteurs à 1 536 dimensions, cela fait quelques gigaoctets, confortablement dans la RAM d'une machine. À des dizaines de millions, le parcours commence à lire des pages froides et la clause linéaire commence à faire mal.
pgvector met un index dans la base que vous faites déjà tourner
Passer d'un tri à un index n'exige pas un nouveau service. Cela exige une extension et un index dans Postgres :
CREATE EXTENSION vector;
CREATE TABLE items (
id BIGSERIAL PRIMARY KEY,
name TEXT,
embedding vector(1536)
);
CREATE INDEX ON items
USING hnsw (embedding vector_cosine_ops);
-- $1 est votre embedding de requête, aux mêmes dimensions que la colonne
SELECT id, name
FROM items
ORDER BY embedding <=> $1::vector
LIMIT 10;
Deux changements comptent plus que la syntaxe. D'abord, sans l'index, pgvector exécute une recherche exacte, parcours complet, rappel parfait ; l'index HNSW échange un peu de rappel contre de la vitesse, et le README est explicite : les résultats changent après l'indexation approximative, de sorte qu'un contrôle de rappel rejoint le fichier de questions de référence d'un RAG. Ensuite, et c'est la raison pour laquelle les vecteurs appartiennent à la base relationnelle : les filtres vivent à côté des vecteurs. « En stock, cette marque, à moins de 60 kilomètres, le plus proche de la description saisie » est une requête dans une base.
Garder les vecteurs dans un magasin séparé est l'impasse que nous referions en premier. L'agencement des débuts paraît propre, un moteur spécialiste pour les maths exotiques, puis chaque page de résultats paie la jointure dans le code applicatif : tirer les candidats du service vectoriel, aller chercher leurs lignes dans la base, jeter ce qui est tombé hors du WHERE. Chaque requête achète l'écart entre deux systèmes. Fusionner les colonnes dans une table supprime cette jointure, les allers-retours, et credentials, quotas et versions d'un service dont personne n'avait besoin.
Les dimensions aussi méritent leur note d'honnêteté. Le type vector de pgvector indexe jusqu'à 2 000 dimensions, sa variante halfvec jusqu'à 4 000, donc un modèle à 1 536 dimensions s'y loge, pendant que certains des modèles les plus larges parus en 2025 n'y tiennent pas. Choisir le type de colonne fait partie du choix du modèle.
L'examen de passage : avant un nouveau serveur, trois questions
Les bases vectorielles dédiées gagnent leur salaire dans de vraies charges. La question est de savoir laquelle vous avez. Trois couvrent les cas que vous rencontrerez.
Subissez-vous des écritures plus rapides qu'un index ne les absorbe ? Une construction HNSW dans Postgres est plus lente et plus vorace que ses propres lectures, et des backfills d'embeddings qui se déclenchent sans arrêt le montreront vite. Un service bâti autour d'une réindexation continue transforme cette douleur en argument de vente.
Votre cible de latence est-elle une cible qu'un parcours complet ne peut pas honorer ? Sous charge concurrente, coût par requête fois utilisateurs simultanés fait la facture, et à un certain trafic l'index dans Postgres cesse de la tenir. La concurrence, c'est là qu'assied sa vraie valeur un service managé.
Avez-vous dépassé une seule machine ? Des dizaines ou des centaines de millions de vecteurs, du sharding, des répliques : à ce point, les sources managées, dont les familles compatibles Postgres et autonomes offrent chacune des options mûres, cessent d'être une catégorie pour devenir un achat.
Si les trois réponses sont non, l'examen n'est pas à passer. Si l'une est oui, c'est par là, et notez laquelle a déclenché le déménagement ; la contrainte déclenchante décide aussi du magasin qui convient.
Ce que ce tutoriel laisse délibérément sans réponse
Aucun benchmark de votre trafic ne vit dans ce billet, exprès : les cibles de rappel et les cadences de requêtes sont les vôtres. L'arithmétique donne les tailles, le README donne le comportement de l'index, et aucun des deux ne remplace une mesure sur vos données. Le rappel est ici la qualité silencieuse : un index approximatif qui rate le bon produit paraît identique à l'utilisateur, sauf là où cela fait mal.
Et la revendication des dix lignes a un bord honnête : elle tient tant qu'une seule machine loge vos vecteurs confortablement. Ce plafond est haut, bien plus haut que la conversation tarifaire ne le suppose, mais c'est un plafond, et l'examen ci-dessus est construit pour le détecter.
La décision en une ligne : placez les embeddings à côté des lignes qu'ils décrivent, dans la base qui tourne déjà, triés ou indexés selon ce que votre trafic exige, et gardez l'examen de passage affiché là où vivent les trois questions. La plupart des champs de recherche terminent le trimestre sur la table où ils ont commencé.
AngoraTek construit de la recherche sur la plus petite pile possible qui tienne, Postgres compris, et ne fait déménager une équipe que quand une contrainte l'impose. [Montrez-nous votre champ de recherche](/fr/#contact) si la conversation tarifaire est arrivée avant la charge de travail.Merci d'avoir lu jusqu'ici. Si cela ressemble au problème sur lequel vous butez, parlez-nous-en. L'équipe lit chaque message.
Engager la conversation