Qdrant et bases vectorielles : le socle de votre recherche IA
Une base vectorielle (vector database) stocke vos documents sous forme de vecteurs numériques et retrouve en quelques millisecondes les passages les plus proches d'une question. C'est la pièce qui décide, dans un assistant documentaire, si la bonne réponse est trouvée ou non. Cette page compare les options sérieuses et décrit ce que je livre autour.
Mehdi Challakh, ingénieur IA freelance. Aucun partenariat éditeur : les outils sont choisis sur vos contraintes, et jugés sur ce qui tourne en production. Licence et hébergement
Qdrant et Milvus sont sous licence Apache 2.0, pgvector sous licence PostgreSQL, Weaviate sous licence BSD : aucune licence à payer en auto-hébergement. Une instance Qdrant ou pgvector pour quelques millions de vecteurs tourne sur un serveur virtuel de l'ordre de 30 à 150 € par mois chez un hébergeur français. Les versions cloud gérées (Qdrant Cloud, Zilliz pour Milvus, Pinecone) proposent un palier gratuit pour les tests, puis une facturation à la ressource qui se constate en général entre quelques dizaines et quelques centaines d'euros par mois selon le volume et la réplication. Le modèle d'embedding est un poste à part : gratuit en modèle ouvert hébergé, facturé au million de jetons sur API.
Qdrant et bases vectorielles, c'est quoi ?
Dans un système de recherche augmentée par génération (RAG), chaque document est découpé en passages, chaque passage est transformé en vecteur par un modèle d'embedding (représentation vectorielle du texte), et la question de l'utilisateur subit le même traitement. La base vectorielle compare le vecteur de la question à des millions de vecteurs de passages et renvoie les plus proches. Le modèle de langage rédige ensuite sa réponse à partir de ces passages. Si la base renvoie les mauvais passages, le meilleur modèle du monde répond à côté : chez Delibia, faire passer le retrieval (recherche des passages pertinents) Top@10 de 53 % à 93 % a fait passer les réponses jugées satisfaisantes de 26 % à 98 %.
Qdrant est une base vectorielle open source écrite en Rust, rapide, sobre en mémoire, avec un filtrage par métadonnées efficace (date, service, type de document) et une recherche hybride qui combine vecteurs denses et mots-clés. Milvus, également open source, vise les très gros volumes distribués sur plusieurs machines : c'est celui que j'ai déployé chez Virteem pour une plateforme LLM (grand modèle de langage) et RAG auto-hébergée. pgvector ajoute la recherche vectorielle à PostgreSQL, sans nouveau composant. Weaviate propose un modèle orienté objets et des modules d'embedding intégrés. Pinecone est un service géré, propriétaire, hébergé aux États-Unis ou en Europe selon le plan, sans version auto-hébergée.
Quand utiliser Qdrant et bases vectorielles, et quand s'en passer
Quand pgvector suffit
Vous avez déjà PostgreSQL, moins de quelques millions de passages, et une équipe qui connaît SQL. pgvector évite un composant de plus, une sauvegarde de plus, une montée de version de plus. Les performances tiennent largement pour un assistant documentaire de PME ou d'ETI. C'est mon premier réflexe quand la simplicité d'exploitation prime.
Quand Qdrant devient nécessaire
Le filtrage par métadonnées ralentit PostgreSQL, la recherche hybride devient indispensable, les volumes dépassent la dizaine de millions de vecteurs, ou vous voulez de la quantification pour réduire la mémoire. Qdrant s'auto-héberge en un conteneur, avec une API claire et une version cloud si vous ne voulez pas l'exploiter vous-même.
Quand Milvus s'impose
Des centaines de millions de vecteurs, plusieurs collections lourdes, une architecture distribuée avec séparation du stockage et du calcul. Milvus demande plus d'exploitation (plusieurs services, Kubernetes conseillé) et se justifie sur des plateformes multi-clients ou des volumes de type Delibia, avec 2,7 millions de délibérations et 200 000 documents extraits par semaine.
Quand éviter un service géré américain
Pinecone et les offres cloud équivalentes sont confortables, mais vos passages de documents, donc le contenu de vos documents, y sont stockés. Pour des données réglementées ou une exigence d'hébergement en France, Qdrant, Milvus ou pgvector sur vos serveurs ou chez un hébergeur français règlent la question, et la facture est en général plus basse au-delà de quelques millions de vecteurs.
Ce que je livre avec Qdrant et bases vectorielles
Choix et déploiement de la base vectorielle
Comparaison mesurée sur vos données (rappel, latence, mémoire, coût) entre Qdrant, Milvus, pgvector et une option gérée, puis déploiement de la solution retenue, sauvegardes et supervision incluses.
Développement IA sur mesureAssistant documentaire complet
Ingestion, découpage, embeddings, base vectorielle, génération et interface : un RAG livré de bout en bout, sur API ou sur un modèle hébergé chez vous avec vLLM, comme chez Virteem.
Assistant IA documentaire (RAG)Optimisation du retrieval
Le retrieval, c'est la partie qui rapporte le plus quand elle est mesurée. Découpage, modèle d'embedding, recherche hybride, reclassement (reranking), filtres : chaque levier est testé sur un jeu de questions réelles. Chez Delibia, le Top@10 est passé de 53 % à 93 % et la latence de 15 s à 4,3 s.
Audit IAMigration entre bases vectorielles
Passage de Pinecone ou d'un prototype en mémoire vers Qdrant ou pgvector, réindexation avec un nouveau modèle d'embedding, bascule sans interruption. Le script de migration et le jeu de test sont remis à votre équipe.
Développement IA sur mesureAgents IA avec mémoire vectorielle
Un agent IA (AI agent) qui retrouve les échanges précédents, les procédures internes ou les fiches produits pendant qu'il travaille s'appuie sur une base vectorielle bien filtrée. Je conçois le schéma de métadonnées pour que l'agent ne mélange jamais les clients ou les périmètres.
Agent IA pour entrepriseSuivi en accompagnement
Sprints (cycles de travail) hebdomadaires pour faire évoluer l'index, mesurer chaque changement de modèle d'embedding et tenir la qualité de recherche dans le temps, avec le cadre d'évaluation remis à votre équipe.
Accompagnement IAUn projet avec Qdrant et bases vectorielles ?
Vingt minutes suffisent pour savoir si c'est faisable, par où commencer et à quel ordre de grandeur s'attendre.
Compatibles et alternatives
Ils m'ont confié leur système IA
Questions fréquentes sur Qdrant et bases vectorielles
Combien coûte une base vectorielle pour un RAG d'entreprise ?
Quel matériel faut-il pour Qdrant ou Milvus ?
Mes documents sont-ils confidentiels dans une base vectorielle ?
Pourquoi mon RAG répond-il à côté alors que les documents sont indexés ?
Freelance IA ou agence IA pour choisir et déployer une base vectorielle ?
Combien de temps pour mettre en place ou migrer une base vectorielle ?
Quelles alternatives à Qdrant ?
Pour aller plus loin
Un projet avec Qdrant et bases vectorielles ? Parlons-en 20 minutes.
Vous décrivez votre situation, je vous dis ce qui est faisable, par où commencer et avec quels ordres de grandeur. Si une autre approche ou un autre prestataire convient mieux, je vous le dis aussi.
Réserver un appel de 20 minutesSans engagement. Créneau à choisir directement dans l'agenda.