pgvector
L'extension Postgres qui ajoute des types vectoriels et des index de similarité à la base de données que vous exploitez déjà — le défaut pragmatique pour la recherche d'embeddings en deçà des très grandes échelles.
L'IA de production est un système : contexte, outils, permissions, traces, évaluations et boucles de rétroaction autour du modèle.
Ce que c'est
pgvector est une extension Postgres open source : un type de colonne vectoriel, des opérateurs de distance (cosinus, L2, produit scalaire) et des index HNSW ou IVFFlat pour la recherche approximative rapide. Les embeddings vivent dans la même base de données que les lignes qu'ils décrivent, avec jointures, transactions et contrôle d'accès inclus.
Pourquoi c'est important
Une base de données vectorielle dédiée est un système de plus à déployer, gouverner, synchroniser et payer — et la synchronisation est l'endroit où naissent les bogues de retrieval. Avec pgvector, le filtre de métadonnées, la vérification de permission et la recherche de similarité tiennent dans une seule requête SQL contre une seule source de vérité.
Concepts liés
Recherche vectorielle, Retrieval hybride, RAG, Lakehouse.
Ressources connexes
Pipelines de retrieval qui combinent découpage, embeddings, filtrage par métadonnées, recherche hybride par mots-clés, reranking, permissions et évaluation — pas juste des lookups au plus proche voisin.
Un patron de workflow IA de production relié aux données, aux agents, aux évaluations et aux opérations.
Le patron où un agent IA récupère du contexte pertinent dans vos données avant de générer une réponse — au lieu de s'appuyer uniquement sur ce que le modèle a appris à l'entraînement.
Une architecture qui combine le stockage objet économique et les garanties de table d'un entrepôt — le substrat où l'analytique, le retrieval IA et l'entraînement ML lisent les mêmes tables gouvernées.
Comment nous l'utilisons
pgvector avec index HNSW est le seul magasin vectoriel de notre pile de production. Les chunks de retrieval, les vecteurs d'identité et les embeddings de mémoire vivent tous dans Postgres, et la recherche hybride fusionne le volet vectoriel avec le classement plein texte de Postgres au moment de la requête.