Glossaire
Vector search, c'est quoi ?
Recherche par similarité sémantique entre l'embedding d'une requête et tous les embeddings du corpus. Renvoie les top-K chunks les plus proches en distance cosine.
Mis à jour le 3 juin 2026
Ce que c'est
La recherche par le SENS : on transforme la question en embedding, puis on cherche les chunks dont l'embedding est le plus proche (en distance cosine). On récupère les top-k plus proches, même sans mot en commun.
Pourquoi c'est important
C'est ce qui retrouve la bonne info quand l'utilisateur ne tape pas les mots exacts du document. Le cœur du RAG, là où la recherche par mots-clés seule échouerait.
Exemples concrets
- « comment annuler ma commande » retrouve l'article « procédure de résiliation » sans le mot « annuler ».
- Souvent combinée à la recherche par mots exacts (BM25) pour ne pas rater une référence précise comme un numéro de modèle.
Approfondir
library · RAGUn module saisir.ai qui fait manipuler ce concept, en 5 min, sans coder.
Termes liés
Questions fréquentes
- Vector search, c'est quoi ?
- La recherche par le SENS : on transforme la question en embedding, puis on cherche les chunks dont l'embedding est le plus proche (en distance cosine). On récupère les top-k plus proches, même sans mot en commun.
- À quoi ça sert ?
- C'est ce qui retrouve la bonne info quand l'utilisateur ne tape pas les mots exacts du document. Le cœur du RAG, là où la recherche par mots-clés seule échouerait.
- Un exemple concret ?
- « comment annuler ma commande » retrouve l'article « procédure de résiliation » sans le mot « annuler ».