GuidesDéveloppement IA

Tuto : un RAG avec PostgreSQL et pgvector

Par l’équipe Banzai LabsMis à jour le 3 min de lecture

PostgreSQL + pgvectoridtextesourceembeddingLes 5 passages les plus proches, en une requête
Une table PostgreSQL avec une colonne de vecteurs ; une requête SQL rend les passages les plus proches.

1. La table

CREATE EXTENSION IF NOT EXISTS vector;

CREATE TABLE passages (
  id         bigserial PRIMARY KEY,
  source     text NOT NULL,      -- document d’origine
  lang       text NOT NULL,      -- pour filtrer
  contenu    text NOT NULL,
  embedding  vector(1024)        -- la dimension de votre modèle
);

CREATE INDEX ON passages USING hnsw (embedding vector_cosine_ops);

2. Remplir

Pour chaque passage (voir découper ses documents) : calculer l’embedding avec votre modèle, puis insérer le texte, sa source et le vecteur.

3. Chercher

SELECT id, source, contenu
FROM passages
WHERE lang = $2
ORDER BY embedding <=> $1   -- distance cosinus
LIMIT 5;

$1 est l’embedding de la question, calculé avec le même modèle.

4. Répondre

  1. 1Les passagesJoints à la question, balisés avec leur source.
  2. 2La consigneRépondre à partir de ces passages seulement, et citer.
  3. 3La vérificationUne réponse sans citation est signalée.

Le principe complet : RAG, l’IA sur vos documents. Le choix de la base : la base vectorielle.

Questions fréquentes

Quelle dimension pour la colonne vector ?
Celle du modèle d’embeddings choisi, indiquée dans sa documentation. Elle doit être identique pour tous les vecteurs de la colonne.
Jusqu’à quel volume pgvector tient-il ?
Des centaines de milliers à quelques millions de passages sur un serveur correct, avec un index HNSW. Au-delà, mesurez avant de changer d’outil.
Peut-on combiner avec une recherche par mots-clés ?
Oui, PostgreSQL a aussi la recherche plein texte. On peut fusionner les deux classements.

À lire ensuite

Tous les guides