Comparatif Vector DB

Ce que contient ce pack

Ce pack met les sept options dominantes de bases de données vectorielles côte-à-côte pour que la décision devienne un exercice de 10 minutes au lieu d'une semaine d'évaluation. L'espace de choix se découpe proprement en trois niveaux : bases auto-hébergées, managées, et APIs d'embedding (qui livrent souvent un store vectoriel basique en bonus).

Ce pack est intentionnellement la couche DB — ce qui stocke les vecteurs et sert les requêtes plus-proches-voisins. L'orchestration retrieve-and-generate au-dessus (chunking, réécriture de requête, reranking) vit dans le pack RAG Pipelines pour que les deux décisions restent indépendantes.

Pourquoi choisir délibérément

La plupart des équipes passent leurs six premiers mois sur le mauvais vector DB et ne le découvrent qu'à la casse. Les deux modes d'échec :

• Démarré avec Pinecone, douleur de facturation à l'échelle. Le prix par-pod de Pinecone fait sens à 1M vecteurs mais devient cher à 50M. Migrer hors demande une campagne de re-embed.
• Démarré auto-hébergé, douleur ops à l'échelle. Une équipe avec un nœud Chroma accumule un store de 30M vecteurs, puis découvre que les index ANN mono-nœud ne dégradent pas gracieusement — la latence requête passe de 50ms à 800ms en un trimestre.

Choisir délibérément veut dire regarder trois axes :

1. Recall vs latence à votre nombre de vecteurs. ANN-Benchmarks publie des courbes recall@10 vs QPS ; Qdrant et Pinecone mènent constamment >10M vecteurs, Chroma va bien sous 5M.
2. Besoins de recherche hybride. Si vos requêtes mêlent filtres par mot-clé et similarité sémantique, le mode hybride de Weaviate et les filtres payload de Qdrant sont les différentiateurs — coller BM25 sur Chroma après coup est douloureux.
3. Posture opérationnelle. Si votre équipe est de deux ingénieurs, le « pas de serveurs à surveiller » de Pinecone gagne. Si vous tournez déjà Postgres à grande échelle, pgvector (dans le pack Postgres pour Agents IA) bat souvent toutes les options ici sur le TCO.

Installer en une commande

# Installe le pack entier dans le projet actuel
tokrepo install pack/vector-db-showdown

# Ou choisissez des ressources individuelles
tokrepo install qdrant-mcp
tokrepo install chroma

Le TokRepo CLI installe des snippets Docker Compose pour les options auto-hébergées, des templates de variables d'environnement pour les APIs managées, et des scripts de benchmark qui chargent 100k vecteurs et mesurent la latence requête p95 sur votre matériel.

Pièges courants

• Benchmark avec des vecteurs aléatoires. Les vecteurs aléatoires ont des distributions de distance plates — tout index paraît aussi rapide. Benchmarkez toujours avec des embeddings réels de votre domaine (les dumps Wikipedia servent de proxy public).
• Choisir la mauvaise métrique de distance. Cosinus vs dot product vs L2 donnent des rankings différents sur les mêmes données. Alignez la métrique avec celle pour laquelle le modèle embedding a été entraîné ; OpenAI text-embedding-3 attend cosinus, certains modèles open attendent dot product.
• Ignorer le lock-in modèle d'embedding. Si vous embed 100M docs avec Cohere et voulez passer à OpenAI, vous re-embedez tout. Certaines équipes stockent les deux modèles en parallèle pendant la transition.
• Traiter « vector DB » comme une solution RAG complète. Aucun de ces outils ne fait reranking, réécriture de requête ou évaluation qualité résultats. Pairez avec le pack RAG Pipelines et le pack LLM Eval.
• Sous-estimer la cardinalité du filtre. Pré-filtrer sur un champ haute cardinalité (e.g. user_id) avant la recherche ANN dévaste le recall sur la plupart des moteurs. Utilisez post-filtering ou construisez des index par utilisateur.

Quand ce pack seul ne suffit pas

Si votre dataset est petit (<1M vecteurs) et que vous avez déjà Postgres, pgvector bat toute option ici sur la simplicité opérationnelle — un service de moins à surveiller. Si vos requêtes ont besoin de contraintes géographiques ou de graphe en plus de similarité sémantique, regardez Neo4j avec GDS ou OpenSearch avec k-NN — tradeoffs différents mais formes plus propres. Et si vous opérez à 1B+ vecteurs, vous avez dépassé ce pack ; parlez aux vendors des tiers dédiés Vespa ou Milvus.