GuidesDéveloppement IA
Tuto : un RAG avec PostgreSQL et pgvector
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
- 1Les passagesJoints à la question, balisés avec leur source.
- 2La consigneRépondre à partir de ces passages seulement, et citer.
- 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.