---
title: "Qu’est-ce qu’une base de données vectorielle ? | BroadRouter"
description: "Une base vectorielle stocke des embeddings et trouve vite les plus proches d’une requête. HNSW et IVFFlat échangent rappel contre vitesse ; quand en avoir besoin."
url: https://broadrouter.com/fr/glossary/vector-database/
lang: fr
updated: 2026-11-16
publisher: BroadRouter (a BroadNet site); API by BroadNet Inference, https://inference.broadnet.ai
---

Traduit de l’anglais avec l’aide de l’IA. [Lire l’original en anglais](https://broadrouter.com/glossary/vector-database/) (mis à jour le 2026-11-16).

# Base de données vectorielle (vector database)

Mis à jour 2026-11-16

Une base de données vectorielle est un système de stockage qui conserve des vecteurs d’embedding, souvent avec leur texte source et des métadonnées, et répond aux requêtes de plus proches voisins : pour un vecteur de requête, elle renvoie les vecteurs stockés les plus similaires, en général selon la distance cosinus, la distance euclidienne ou le produit scalaire.

Aussi appelé : base vectorielle, base de données vectorielle, BDD vectorielle, index vectoriel, recherche vectorielle, recherche par similarité, vector store, vector DB, vector index, vector search engine, similarity search database

Une base de données vectorielle répond très vite à une question : quels éléments stockés ont un sens proche de cette requête ?

## Comment ça marche

Chaque enregistrement est un [embedding](https://broadrouter.com/fr/glossary/embeddings/), une liste de nombres de longueur fixe, accompagné de métadonnées comme le texte source, un identifiant de document et une date. Au moment de la requête, vous encodez la question avec le même modèle et demandez les k vecteurs les plus proches.

« Plus proche » suppose une mesure de distance. pgvector, l’extension Postgres, propose trois opérateurs : `<->` pour la distance euclidienne (L2), `<#>` pour le produit scalaire négatif et `<=>` pour la distance cosinus. Utilisez celle pour laquelle votre modèle d’embedding a été entraîné ; OpenAI recommande la similarité cosinus pour ses vecteurs.

Comparer une requête à chaque vecteur stocké est exact, mais lent à grande échelle. Les index de recherche approximative des plus proches voisins (ANN) évitent cela :

| Index | Fonctionnement | Compromis (selon la documentation de pgvector) |
| --- | --- | --- |
| HNSW | Graphe de proximité en couches | Meilleur rapport vitesse-rappel, construction plus lente, plus de mémoire |
| IVFFlat | Vecteurs regroupés en listes | Construction plus rapide, moins de mémoire, requêtes plus lentes à rappel égal |

L’article de Malkov et Yashunin sur HNSW décrit une pile de graphes où la recherche démarre dans les couches supérieures clairsemées, ce qui « allows a logarithmic complexity scaling » (traduction : « permet une croissance logarithmique de la complexité »). Le README de pgvector résume le marché : un index approximatif « trades some recall for speed » (traduction : « échange un peu de rappel contre de la vitesse »).

## Pourquoi c’est important

-   **C’est le retriever de la plupart des systèmes [RAG](https://broadrouter.com/fr/glossary/rag/).** Si la base rate le bon chunk, le LLM ne le voit jamais.
-   **Le rappel est un réglage, pas un acquis.** Les paramètres ANN changent les résultats renvoyés. Mesurez le rappel sur de vraies requêtes.
-   **Filtrage.** Les vraies requêtes ajoutent des conditions comme la langue, le client ou la date. Vérifiez que les filtres s’appliquent avant le classement, et non après une coupe top-k qui écarte des résultats valides.

## Sur BroadNet Inference

BroadNet n’héberge pas de stockage vectoriel et sa documentation ne mentionne pas d’endpoint d’embeddings. Une configuration typique associe votre propre base vectorielle, un modèle d’embedding d’une autre source et un modèle de chat BroadNet qui rédige la réponse à partir des chunks récupérés. Pour de petits corpus, une grande [fenêtre de contexte](https://broadrouter.com/fr/glossary/context-window/) peut remplacer la base ; voir [contexte long ou RAG](https://broadrouter.com/fr/blog/long-context-vs-rag/). Pour le texte arabe, [la recherche RAG en arabe](https://broadrouter.com/fr/blog/arabic-rag-search/) explique pourquoi un index par mots-clés à côté de l’index vectoriel aide.

## Erreurs fréquentes

-   Interroger avec un autre modèle d’embedding que celui utilisé pour l’indexation.
-   Retoucher le prompt du LLM alors que le vrai problème est un rappel de récupération trop faible.

## Questions fréquentes

### Ai-je besoin d’une base de données vectorielle dédiée ?

Pas forcément. Des extensions comme pgvector ajoutent à Postgres des colonnes vectorielles et la recherche par similarité, pour que les vecteurs vivent à côté de vos autres données. Les solutions dédiées aident à très grande échelle ou avec de gros besoins de filtrage.

### La recherche vectorielle est-elle exacte ?

Elle peut l’être. Par défaut, pgvector fait une recherche exacte des plus proches voisins, avec un rappel parfait. Ajouter un index HNSW ou IVFFlat la rend approximative et plus rapide.

### Une base de données vectorielle stocke-t-elle mon texte ?

En général, vous stockez le chunk d’origine ou un identifiant de document à côté de chaque vecteur, car le prompt a besoin du texte et un vecteur n’est pas un moyen fiable de le retrouver. Pourtant, Morris et al. (2023) ont reconstruit à l’identique 92 % d’entrées de test de 32 tokens à partir de leurs embeddings : protégez donc les vecteurs comme le texte lui-même.

## Voir aussi

-   [Embeddings (plongements vectoriels)](https://broadrouter.com/fr/glossary/embeddings/) (terme)
-   [RAG (génération augmentée par récupération)](https://broadrouter.com/fr/glossary/rag/) (terme)
-   [Fenêtre de contexte (context window)](https://broadrouter.com/fr/glossary/context-window/) (terme)
-   [Grounding (ancrage dans les sources)](https://broadrouter.com/fr/glossary/grounding/) (terme)
-   [Recherche hybride (hybrid search)](https://broadrouter.com/fr/glossary/hybrid-search/) (terme)
-   [BM25](https://broadrouter.com/fr/glossary/bm25/) (terme)
-   [Utiliser le SDK Python d’OpenAI avec BroadNet Inference](https://broadrouter.com/fr/guides/openai-python-sdk/) (guide)
-   [Contexte long ou RAG : quand 1M de tokens remplace la base vectorielle](https://broadrouter.com/fr/blog/long-context-vs-rag/) (article)
-   [RAG en arabe : normalisation, chunking et recherche qui fonctionnent](https://broadrouter.com/fr/blog/arabic-rag-search/) (article)

Essayez-le sur votre vraie charge de travail. Les nouveaux comptes démarrent avec USD 5 de crédit pour Gemma et transcription. DeepSeek, GLM et Qwen3.8 nécessitent une recharge.

[Commencer](https://inference.broadnet.ai/account/?utm_source=broadrouter&utm_medium=referral&utm_campaign=fr-glossary-vector-database&utm_content=page-cta) ·

**Sources**

-   [pgvector, recherche de similarité vectorielle open source pour Postgres (README) (vérifié le 2026-11-16)](https://github.com/pgvector/pgvector)
-   [Malkov et Yashunin, Hierarchical Navigable Small World graphs (HNSW) (arXiv) (vérifié le 2026-11-16)](https://arxiv.org/abs/1603.09320)
-   [OpenAI, guide des embeddings vectoriels (similarité cosinus) (vérifié le 2026-11-16)](https://developers.openai.com/api/docs/guides/embeddings)
-   [Morris et al., Text Embeddings Reveal (Almost) As Much As Text, arXiv 2310.06816, EMNLP 2023 (vérifié le 2026-11-16)](https://arxiv.org/abs/2310.06816)
