Une fois chaque chunk transformé en embedding, il faut pouvoir retrouver très vite les vecteurs les plus proches d’une question, parfois parmi des millions. C’est le rôle du « vector store » (base vectorielle), conçu pour la recherche par similarité à grande échelle.

Comparer la question à CHAQUE vecteur un par un devient vite trop lent. Les bases vectorielles s’appuient sur des index approximatifs — ANN (approximate nearest neighbors, plus proches voisins approchés), dont le plus répandu est HNSW — qui retrouvent « presque toujours » les bons voisins en une fraction du temps. Un compromis exactitude/vitesse assumé et paramétrable.