
Une base vectorielle permet de rechercher des éléments similaires à partir de représentations numériques des données. Une base relationnelle organise les enregistrements en tables liées et permet notamment le filtrage, les jointures, les contraintes et les transactions. Ces capacités peuvent coexister : choisir une recherche vectorielle n’impose pas de remplacer la base relationnelle.
La décision pratique porte sur l’endroit où exécuter la recherche et sur la responsabilité de maintenir les données dont elle dépend. Vous pouvez conserver la recherche exacte et textuelle dans la base existante, y ajouter des capacités vectorielles ou exploiter un service de recherche séparé. Les requêtes, les mises à jour, les règles d’accès et le travail d’exploitation doivent guider ce choix.
Ce guide compare ces options à partir d’un catalogue fictif de documents d’assistance. Il s’agit d’une comparaison d’architectures documentée, pas d’un benchmark ni d’un tutoriel d’installation testé.
Un utilisateur qui fournit un identifiant de document attend l’enregistrement correspondant. Une personne qui cherche les instructions actuelles d’installation d’un produit a besoin de filtres et de résultats pertinents. Quelqu’un qui décrit une erreur inconnue avec ses propres mots peut bénéficier d’une recherche par similarité.
Ces requêtes ne doivent pas toutes passer par la même méthode. Les identifiants exacts et les conditions d’éligibilité relèvent de comparaisons et de filtres explicites. Pour les termes et expressions présents dans les documents, testez une recherche textuelle de référence. La documentation de recherche plein texte de PostgreSQL, en anglais, décrit la sélection de documents en langage naturel et leur classement par pertinence.
La recherche vectorielle compare des embeddings selon une mesure de distance ou de similarité. Son utilité dépend de la représentation, des données et de la requête. Un vecteur proche ne prouve pas qu’un document répond à la question, qu’il est à jour ou que l’utilisateur est autorisé à le consulter.
| Demande adressée à l’application | Approche initiale | Contrôle d’acceptation |
|---|---|---|
| Ouvrir le document D-104 | Recherche exacte avec contrôle d’accès | Le bon enregistrement autorisé est renvoyé |
| Trouver les guides publiés du produit A | Filtres structurés, avec recherche textuelle si nécessaire | Chaque résultat respecte les critères de produit et de publication |
| Trouver un guide pour un problème décrit autrement | Comparer recherche textuelle, vectorielle et éventuellement hybride | Les documents jugés pertinents occupent des positions utiles |
| Résumer un guide autorisé avec un LLM | Recherche autorisée puis génération | La réponse est étayée par la source sélectionnée |
Le projet pgvector ajoute la recherche par similarité vectorielle à PostgreSQL, à côté de ses capacités relationnelles. Un moteur vectoriel séparé constitue une autre option. Par exemple, Qdrant permet des conditions sur les identifiants et les métadonnées. Ces documentations sont en anglais. Présenter les bases vectorielles comme incapables de filtrer des champs structurés serait inexact.
| Option | Raison de l’évaluer | Question d’exploitation |
|---|---|---|
| Recherche relationnelle existante | La recherche exacte, les filtres et le plein texte répondent déjà au besoin | La solution de référence atteint-elle les objectifs de pertinence et de délai ? |
| Base relationnelle avec capacités vectorielles | La recherche nécessite des vecteurs proches des données faisant autorité et des opérations relationnelles | Recherche, écritures et maintenance peuvent-elles partager les ressources de façon acceptable ? |
| Service de recherche vectorielle séparé | La recherche exige un périmètre d’exploitation distinct ou des capacités propres à un moteur | Qui assure la synchronisation, les permissions, la reprise et ce service supplémentaire ? |
Regrouper les données peut réduire le nombre de systèmes à coordonner, sans rendre la génération des embeddings instantanée ni les ressources gratuites. Séparer la recherche peut permettre un dimensionnement indépendant, tout en ajoutant un scénario de panne et un cycle de vie des données. Aucune option ne possède un seuil universel de nombre d’enregistrements ni un avantage de coût automatique.
Imaginons une entreprise dont les guides produits sont stockés comme documents sources. Un catalogue relationnel contient les identifiants, les versions, les responsables, l’état de publication et les groupes d’accès. Les utilisateurs doivent trouver des instructions sans consulter de contenu extérieur à leurs permissions.
Testez d’abord les recherches exacte et textuelle du catalogue sur des questions représentatives. Les conserver est une décision valable si elles répondent aux exigences. N’ajoutez de complexité qu’après avoir identifié une capacité manquante ou une contrainte d’exploitation.
Si la similarité améliore le résultat, déterminez si les embeddings doivent rester à côté des enregistrements du catalogue ou résider dans un service séparé. Pour chaque fragment indexé, conservez un identifiant stable, le document source et sa révision, le texte ou sa référence, la version du modèle d’embedding et les métadonnées nécessaires au filtrage. Dans les deux conceptions, l’enregistrement documentaire faisant autorité doit rester identifiable.
L’embedding de la requête doit être compatible avec ceux des documents. Des dimensions identiques ne prouvent pas la compatibilité entre modèles ou versions. Traitez les changements de modèle comme des changements d’index versionnés, avec évaluation et retour arrière, au lieu de mélanger silencieusement les représentations.
Pour ce catalogue, la comparaison doit inclure les filtres produits, les documents restreints, les versions retirées et les instructions récemment modifiées. Un test limité à des contenus inchangés et accessibles à tous manquerait les exigences d’exploitation difficiles.
Supposons qu’un administrateur retire un guide pendant qu’un processus continue d’indexer sa révision précédente. Définissez l’état qui doit prévaloir et la manière de rejeter un résultat d’indexation tardif. Une révision source ou un marqueur de génération peut rendre les écritures obsolètes détectables ; l’application doit encore faire respecter cette règle.
Avec un service de recherche séparé, enregistrez durablement les changements de la source et rendez leur transmission relançable. Suivez le retard de synchronisation, les événements en échec et la dernière révision appliquée. Rapprochez régulièrement le catalogue source et l’inventaire de recherche afin qu’une mise à jour manquée ne reste pas invisible.
La suppression exige la même attention. Décidez à quel moment un document retiré cesse d’être éligible aux résultats et comment ses vecteurs, son contenu en cache et ses fichiers dérivés sont supprimés selon la politique de conservation. Une suppression réussie dans une base ne prouve pas que toutes les copies ont disparu.
Une base unique peut simplifier une partie de la coordination, mais un processus asynchrone de génération d’embeddings peut toujours prendre du retard. Rendez l’état d’indexation visible et précisez si la recherche doit exclure les enregistrements concernés, utiliser une autre méthode ou signaler que leur représentation de recherche n’est pas actuelle.
La similarité n’accorde aucun accès. Déduisez le périmètre autorisé de l’utilisateur à partir de données fiables d’identité et de politique, puis appliquez-le à la recherche et à la génération. Un identifiant de client fourni par un appelant non fiable ne suffit pas à autoriser l’accès.
Testez avec le rôle applicatif et les identifiants qui seront utilisés en production. Les fonctions de la base ne sont utiles que si l’application les emploie correctement. Notre guide de sécurité au niveau des lignes dans PostgreSQL traite du test des rôles et des politiques pour cette approche.
Lorsque les permissions sont copiées dans un index séparé, définissez leur prise d’effet et le comportement des requêtes pendant les retards de synchronisation. N’envoyez pas de contenu non autorisé à un LLM ou à un processeur externe pour tenter ensuite de le retirer de la réponse finale.
Le filtrage modifie aussi la tâche de recherche. Mesurez la pertinence et le nombre de résultats dans des sous-ensembles autorisés réalistes. Retirer les résultats interdits d’une liste de candidats déjà tronquée peut laisser trop peu de documents utiles. Le filtrage et la recherche du moteur choisi doivent être évalués ensemble.
Utilisez un instantané documentaire fixe et un ensemble annoté de requêtes représentatives. Incluez des identifiants exacts, des reformulations, des questions ambiguës, des cas sans réponse, des filtres restrictifs et des changements de permissions. Réservez un jeu à l’évaluation plutôt que de régler tous les paramètres sur les mêmes exemples.
La recherche approximative de plus proches voisins échange une partie du rappel contre de la vitesse. Comparez-la à une recherche vectorielle exacte pour mesurer ce compromis, comme le décrit la documentation pgvector. Les voisins exacts constituent une référence mathématique ; ils ne sont pas automatiquement les documents qu’un humain juge pertinents.
Mesurez la pertinence par rapport aux jugements et le temps de réponse sous la concurrence attendue. Incluez les écritures, les mises à jour d’embeddings, la maintenance des index et les sauvegardes. Une requête isolée rapide renseigne peu sur le comportement pendant une période chargée de mises à jour. Le guide de performance RAG aborde l’évaluation de la recherche et des réponses dans un pipeline plus large.
Testez la reprise dans le cadre de la décision. Si le stockage de recherche est reconstructible, mesurez la durée de reconstruction et précisez comment servir les utilisateurs entre-temps. Conservez les révisions sources, les versions de modèle et de prétraitement, ainsi que la configuration d’index nécessaire. Une sauvegarde qui restaure les enregistrements sans rétablir une recherche utilisable peut ne pas satisfaire l’objectif de reprise.
Budgétez le calcul de la base, la mémoire, les index et les sources, la génération d’embeddings, les transferts, les réplicas nécessaires, les sauvegardes, la supervision et le travail de l’équipe. Incluez le recalcul des embeddings des contenus modifiés et la capacité nécessaire pendant les reconstructions. Les offres regroupent ces postes différemment.
Distinguez le service courant de la base de l’exécution des modèles. Un besoin de recherche vectorielle ne prouve pas à lui seul que la base nécessite un GPU ; la génération d’embeddings et les autres charges de modèle ont leurs propres choix matériels. Mesurez la configuration réelle plutôt que d’acheter selon le nom d’une catégorie.
Comparez les options avec les mêmes objectifs de pertinence, de latence, de fraîcheur et de reprise. Pour les responsabilités d’hébergement, consultez notre guide d’hébergement PostgreSQL. Une base managée et une VM exploitée par le client nécessitent des budgets différents de maintenance et de réponse aux incidents.
Compute avec Hivenet fournit une infrastructure à évaluer pour des services de données et des modèles que vous exploitez. Confirmez la compatibilité logicielle, la capacité, les besoins de stockage et les responsabilités avant de choisir une configuration.
La page RAG avec Hivenet distingue l’inférence de modèle managée d’une application et d’une couche de recherche que vous gérez. Utiliser un point de terminaison d’inférence managé ne rend pas votre base vectorielle ni votre système de permissions managés. Le périmètre d’un accompagnement doit être convenu explicitement ; cet article ne présente pas Hivenet comme un service managé PostgreSQL ou de base vectorielle.
Pour discuter d’une charge de recherche, préparez :
Ces éléments transforment une comparaison générale de bases en une décision testable sur l’emplacement des données, les responsabilités et la valeur d’un système de recherche séparé au regard de sa complexité.
Choisissez une charge de travail d’IA, de calcul ou de stockage à tester sur Hivenet, ou échangez avec notre équipe sur sa mise en production.