Terminez d'abord "Connecter des Agents IA aux bases de données SQL" pour débloquer cette leçon.Aller à la leçon précédente

Introduction aux bases de données NoSQL et vectorielles pour les agents IA

Les agents IA ont besoin de plus que de simples tableaux structurés. Lorsqu’ils traitent du contenu non structuré, la recherche sémantique ou des embeddings à grande échelle, les bases de données relationnelles traditionnelles se parentalent. C’est là que les magasins de documents NoSQL et les bases de données vectorielles entrent en jeu.

Les bases de données de documents comme MongoDB stockent des enregistrements JSON flexibles. Elles sont idéales lorsque votre agent gère des charges utiles variées — par exemple des profils d’utilisateurs avec des champs optionnels, des pages Web extraites, ou des historiques de chat où chaque conversation a une structure différente.

Les bases de données vectorielles comme Pinecone, Weaviate ou Chroma stockent des embeddings à haute dimension et permettent à l’agent d’effectuer une recherche de similarité. Plutôt que de faire correspondre des mots-clés exacts, l’agent récupère des éléments sémantiquement les plus proches d’une requête. Cela alimente les pipelines RAG, les systèmes mémoire et les fonctionnalités de recommandation.

Connecter les agents aux magasins de documents

Le flux de travail typique consiste en ce que l’agent appelle un outil ou une fonction qui encapsule les opérations de base de données. Au lieu d’écrire des requêtes brutes dans l’invite, vous exposez des actions sûres et paramétrées comme get_user_profile ou log_conversation.

python
from pymongo import MongoClient
client = MongoClient("mongodb://localhost:27017")
db = client["agent_store"]
def log_conversation(session_id: str, messages: list):
db.conversations.update_one(
{"session_id": session_id},
{"$set": {"messages": messages}},
upsert=True
)
def get_user_context(user_id: str) -> dict:
return db.users.find_one({"user_id": user_id})

Dans ce motif, l’agent décide de quelle fonction appeler en fonction de la demande de l’utilisateur, et les fonctions gèrent toutes les interactions avec la base de données en coulisse. Le schéma de base de données reste flexible — MongoDB acceptera n’importe quelle forme que vous stockez.

diagramme de flux montrant un agent recevant une demande, choisissant entre requête de magasin de documents et recherche vectorielle, et retournant une réponse combinée

Utiliser les bases de données vectorielles pour la récupération sémantique

Les bases de données vectorielles transforment le texte en tableaux numériques ( embeddings ) à l'aide d'un modèle tel que OpenAI's text-embedding-3-small ou d'un sentence-transformer local. Une fois stockés, la similarité est mesurée par la distance cosinus ou le produit scalaire.

python
from openai import OpenAI
import chromadb
client = OpenAI()
chroma = chromadb.PersistentClient(path="./vector_store")
collection = chroma.get_or_create_collection("docs")
def embed(text: str) -> list:
response = client.embeddings.create(
model="text-embedding-3-small",
input=text
)
return response.data[0].embedding
def add_document(doc_id: str, content: str):
collection.add(ids=[doc_id], embeddings=[embed(content)], documents=[content])
def search_similar(query: str, top_k: int = 3) -> list:
results = collection.query(query_embeddings=[embed(query)], n_results=top_k)
return results["documents"][0]

L'agent appelle search_similar lorsque la question de l'utilisateur nécessite des connaissances dépassant son cutoff d'entraînement. Les extraits récupérés sont ensuite injectés dans le prompt comme contexte pour le modèle de langage.

Choisir entre les magasins de documents et les magasins vectoriels

Les bases de données de documents sont le choix approprié lorsque vous avez besoin de recherches exactes, de schémas flexibles et d’un filtrage traditionnel. Par exemple, récupérer une commande par son ID ou lister toutes les sessions d’un locataire.

Les bases de données vectorielles conviennent lorsque vous avez besoin d’un accès à la récupération floue, basée sur le sens. Parmi les exemples figurent la recherche d’articles d’aide pertinents par rapport à la formulation de l’utilisateur, l’appariement de CV à des descriptions de poste et la localisation de conversations passées ressemblant au sujet actuel.

Dans la pratique, la plupart des agents en production combinent les deux. La base de données vectorielle trouve des éléments sémantiquement liés, et la base de données de documents récupère les enregistrements complets et structurés liés à ces éléments — par exemple, récupérer le profil utilisateur complet après une correspondance de similarité sur des tickets passés.

Pièges courants et meilleures pratiques

Une erreur fréquente est de stocker de gros embeddings dans une base de données de documents. Bien que possible, cela nuit à la vitesse d’indexation et aux performances de requête. Conservez les embeddings dans un magasin vectoriel dédié et conservez les références (comme un ID de document) dans votre magasin de documents.

Un autre piège est d’oublier de gérer les changements de modèle d’embedding. Si vous changez de modèles, vous devez ré-embed l’intégralité de votre corpus — les vecteurs anciens et nouveaux ne sont pas comparables.

Enfin, définissez toujours des filtres de métadonnées dans vos requêtes vectorielles. Rechercher sur des millions de vecteurs est coûteux, alors réduisez par date, utilisateur ou catégorie avant de passer à l’étape de similarité.

python
results = collection.query(
query_embeddings=[embed(query)],
n_results=5,
where={"user_id": "u_123", "created_at": {"$gt": 1700000000}}
)

Résumé

Les bases de données NoSQL de documents offrent aux agents IA une flexibilité de schéma pour des données variées du monde réel. Les bases de données vectorielles ajoutent une récupération sémantique que le SQL traditionnel ne peut égaler. Pour les agents en production, le motif gagnant est hybride : utilisez un magasin de documents pour l’état structuré et les recherches exactes, et un magasin vectoriel pour la recherche basée sur le sens. Conservez les embeddings dans leur magasin natif, filtrez tôt et anticipez les mises à niveau des modèles.

Entraînement

Point de contrôle de la leçon

Révisez la leçon et recevez des conseils sur votre travail.

0/7
01Quel est l’avantage principal d’une base de données vectorielle par rapport à un magasin de documents traditionnel pour les agents IA ?
02Dans le motif de magasin de documents montré, pourquoi log_conversation utilise-t_upsert=True ?
03Quelle fonction est utilisée pour convertir le texte en une représentation numérique pour une base de données vectorielle?
04Quelle est l'architecture hybride recommandée décrite dans la leçon ?
05Que se passe-t-il si vous changez votre modèle d’embedding après avoir peuplé une base de vecteurs ?
06Pourquoi l’exemple de code final utilise un filtre where dans collection.query() ?
07Quel scénario est le mieux adapté à une base de données de documents plutôt qu’à une base de données vectorielle ?
Répondu · 0/7