Recherche vectorielle avec un magasin de vecteurs
Récupérer les passages les plus pertinents
Recherche vectorielle avec un magasin de vecteurs est une leçon NLP Academy gratuite sur CoddyKit. Ceci est la leçon 3 sur 4. Tu peux lire la leçon complète ci-dessous gratuitement — puis la pratiquer en direct dans le navigateur avec un éditeur de code intégré et un tuteur IA 24/7. Elle fait partie du parcours d'apprentissage NLP Academy, et ta progression se synchronise sur le web et l'application CoddyKit. Le cours NLP Academy comprend 4 leçons au total.
Certaines parties de cette leçon n'ont pas encore été traduites et s'affichent en anglais.
What a Vector Store Does
A vector store holds your chunk embeddings and finds the closest ones to a query fast, even across millions of vectors.
Searching by Similarity
Instead of matching keywords, you match meaning. The store returns chunks whose vectors sit nearest to the query vector.
Cosine Similarity
The common distance measure is cosine similarity. It compares the angle between two vectors, so closer in meaning scores higher.
Embed the Query the Same Way
The question must use the same model as your chunks. Mismatched embeddings live in different spaces and cannot be compared.
query_vec = model.encode(["How do I reset my password?"])Top-K Retrieval
You rarely want every match. Ask the store for the top-k nearest chunks, where k is a small number like 3 or 5.
A Simple In-Memory Store
For small data, FAISS keeps vectors in memory and searches in milliseconds. You build an index, then add your vectors.
import faiss
index = faiss.IndexFlatIP(384)
index.add(vectors)Running a Search
Call search with the query vector and k. It returns the scores and the indexes of the best-matching chunks.
scores, ids = index.search(query_vec, k=3)Mapping Results Back to Text
The store gives you indexes, not text. Use them to look up the original chunks you stored alongside the vectors.
hits = [chunks[i] for i in ids[0]]Persistent Vector Databases
For real apps, a vector database like Chroma or Pinecone stores vectors on disk, scales out, and survives restarts.
Filtering With Metadata
Attach tags such as author or date to each vector. Then you can filter the search, like only chunks from one document.
Why Approximate Search Helps
Exact search gets slow at scale. Approximate nearest-neighbor indexes trade a tiny bit of accuracy for huge speed gains.
Quick Check
Recall how a vector store finds relevant chunks.
Recap
A vector store embeds the query, finds the top-k nearest chunks by similarity, and maps results back to text. ✅
Questions Fréquemment Posées
La leçon « Recherche vectorielle avec un magasin de vecteurs » est-elle gratuite ?
Oui — le texte complet de « Recherche vectorielle avec un magasin de vecteurs » est gratuit à lire ici sur le web. Pour la pratiquer de manière interactive (un éditeur de code intégré et un tuteur IA 24/7) et déverrouiller le reste du cours NLP Academy, passe à CoddyKit PRO. Le cours NLP Academy comprend 4 leçons au total.
Qu'est-ce que j'apprendrai dans « Recherche vectorielle avec un magasin de vecteurs » ?
Récupérer les passages les plus pertinents Tu pratiques NLP Academy avec du code pratique que tu exécutes directement dans le navigateur, et un tuteur IA 24/7 répond à tes questions au fur et à mesure que tu avances dans la leçon.
Dois-je avoir de l'expérience pour commencer NLP Academy ?
Aucune expérience préalable n'est requise. NLP Academy sur CoddyKit est structuré pour les débutants jusqu'aux apprenants avancés, donc tu peux commencer ici ou depuis le début et avancer à ton rythme. Ceci est la leçon 3 sur 4.
Combien de temps prend la leçon « Recherche vectorielle avec un magasin de vecteurs » ?
La plupart des leçons CoddyKit prennent environ 5–10 minutes. Chacune est courte et interactive, tu progresses régulièrement et tu repiques exactement où tu t'es arrêté sur le web et l'app.
Peux-tu écrire et exécuter du code dans cette leçon NLP Academy ?
Oui. Chaque leçon NLP Academy inclut un éditeur de code intégré, tu écris et exécutes du vrai code directement dans ton navigateur et tu reçois des retours IA instantanés — aucune configuration locale requise.
Toutes les leçons de ce cours
- Pourquoi les LLM ont besoin de recherche documentaire
- Découper et vectoriser des documents
- Recherche vectorielle avec un magasin de vecteurs
- Intégrer la recherche au prompt