Une vector database (base de données vectorielle) est une base spécialisée dans le stockage de vecteurs, appelés embeddings, et dans la recherche rapide des vecteurs les plus proches d'une requête, ce qui permet de retrouver des contenus par proximité de sens plutôt que par mots-clés.
Chaque document, paragraphe ou image est converti en vecteur par un modèle d'embedding. Pour une question donnée, la base renvoie les éléments dont les vecteurs sont les plus proches. Sur des millions de vecteurs, une comparaison exhaustive serait trop lente : elle utilise des index de recherche approximative (HNSW, IVF, DiskANN) qui échangent un peu de précision contre beaucoup de vitesse.
C'est la brique de stockage typique des architectures RAG, des moteurs de recommandation et de la recherche sémantique. On trouve des bases dédiées (Pinecone en service managé, Qdrant, Weaviate, Milvus ou Chroma en open source) et des extensions de bases existantes, comme pgvector pour PostgreSQL ou la recherche vectorielle d'Elasticsearch et OpenSearch.
Pourquoi ça compte quand on recrute
Brancher une base vectorielle sur un tutoriel RAG prend une heure. La faire fonctionner en production est une autre affaire : découpage des documents, choix du modèle d'embedding, filtrage, mise à jour de l'index, mesure de la qualité des résultats. Demandez à l'AI Engineer comment il a évalué la pertinence de sa recherche. Sans métrique ni jeu de test, le projet est resté au stade de la démo.