Des articles pour ceux qui
livrent le stack
Textes sur React, Node.js, TypeScript et AI. Un corps traduit est affiché quand il existe. Sinon vous voyez le texte anglais et une note qui le dit.
Tag : vector-database
Remettre en question l’Agent Stack : les bases de données vectorielles, les hypergraphes et les tâches de codage
Trois cas où une pile d’agents plus importante a manqué le véritable goulot d’étranglement : la mémoire des agents basée sur des fichiers a surpassé un stockage vectoriel, un hypergraph RAG, ainsi que le travail de niveau senior.
12 min de lectureLlamaIndex Plus LangGraph : un modèle propre pour les agents RAG
Comment créer une base de connaissances avec LlamaIndex et la mettre à disposition d’un agent LangGraph en tant qu’outil, avec une explication de la persistance, de Chroma et du mode uniquement de récupération.
14 min de lectureChoisir une architecture RAG : naïve, avancée, CRAG, GraphRAG, agente.
Une comparaison pratique de six architectures RAG avec leurs avantages, inconvénients et cas d’usage, ainsi qu’un processus de décision en quatre étapes et les situations où RAG n’est pas l’outil adapté.
10 min de lectureRAG avancé sur Milvus : recherche hybride, HyDE, réécriture des requêtes et réclassement.
Construire progressivement un pipeline RAG pour Milvus : vecteurs denses et BM25, recherche hybride RRF, filtres de métadonnées, réécriture des requêtes, HyDE, décomposition et réclassement par cross-encoder.
18 min de lectureService de recherche sémantique utilisant une base de données vectorielle Pinecone derrière un serveur MCP.
Un service de recherche sémantique réutilisable : diviser les PDF en parties, stocker les embeddings dans une base de données vectorielle Pinecone, et permettre à n’importe quel agent de les interroger via un serveur FastMCP.
7 min de lectureRaisonnement à travers un arbre de documents plutôt que recherche de vecteurs
PageIndex crée un index hiérarchique qui permet à un LLM de le parcourir, en évitant le découpage en chunks et les embeddings. Son fonctionnement, les résultats obtenus sur FinanceBench, et les cas d’usage.
10 min de lectureUne carte des champs de RAG : des principes fondamentaux aux échecs en production
Deux pipelines, trois étapes et une liste des échecs nommés : comment fonctionne la génération améliorée par la récupération d’informations, où cela échoue, et quels correctifs résolvent chaque problème.
7 min de lectureMigration de RAG de Pinecone vers Postgres pgvector : six mois plus tard
Six mois après le transfert de RAG de Pinecone vers Postgres pgvector : 9 millions de vecteurs, coûts réels, valeurs de latence et de précision, ce qui s’est détérioré, et quand pgvector est la bonne solution.
7 min de lectureÉvaluer la récupération RAG au-delà du taux de rappel ANN, à l’aide de Turbopuffer comme exemple.
Un index vectoriel rapide peut encore ne pas trouver la réponse. Apprenez les compromis de stockage de Turbopuffer, la recherche hybride BM25 et vecteur, ainsi que la manière dont un ensemble d’or mesure le taux de rappel réel.
7 min de lecture
À propos de ces articles
Devis en 24 h
Besoin du même stack en couche opérateur ? Envoyez le brief — devis sous 24 h.