{"id":7478,"date":"2026-08-19T19:10:08","date_gmt":"2026-08-19T19:10:08","guid":{"rendered":"https:\/\/www.wiven.ai\/wiven-llm\/docs\/administration\/vectoriel\/"},"modified":"2026-11-09T16:21:28","modified_gmt":"2026-11-09T16:21:28","slug":"vectoriel","status":"publish","type":"wvn_doc","link":"https:\/\/www.wiven.ai\/en\/wiven-llm\/docs\/administration\/vectoriel\/","title":{"rendered":"Vector base and embeddings"},"content":{"rendered":"<h1>Vector base and embeddings<\/h1>\n<p>Ces deux briques d\u00e9terminent la qualit\u00e9 de la recherche documentaire. Ce sont aussi les deux choix les plus co\u00fbteux \u00e0 modifier apr\u00e8s coup.<\/p>\n<hr \/>\n<h2>The mechanism<\/h2>\n<ul>\n<li>Chaque fragment de document est transform\u00e9 en vecteur par le moteur d&#8217;embeddings \u2014 une liste de nombres repr\u00e9sentant son sens.<\/li>\n<li>Ces vecteurs sont stock\u00e9s dans la base vectorielle.<\/li>\n<li>\u00c0 la question, celle-ci est vectoris\u00e9e par le m\u00eame moteur, puis compar\u00e9e aux vecteurs stock\u00e9s.<\/li>\n<li>The closest fragments are selected and provided to the model.<\/li>\n<\/ul>\n<p>D&rsquo;o\u00f9 la contrainte centrale : tous les vecteurs d&rsquo;un index doivent provenir du m\u00eame moteur d&#8217;embeddings. Deux moteurs diff\u00e9rents produisent des repr\u00e9sentations incomparables.<\/p>\n<hr \/>\n<h2>The embeddings engine<\/h2>\n<p>R\u00e9glages \u2192 Agent \u2192 Mod\u00e8le de vectorisation.<\/p>\n<p><strong>Moteur int\u00e9gr\u00e9 (par d\u00e9faut)<\/strong> \u2014 s&rsquo;ex\u00e9cute localement et ne demande aucune cl\u00e9. Le mod\u00e8le est t\u00e9l\u00e9charg\u00e9 une fois \u00e0 la premi\u00e8re utilisation ; ensuite, plus aucune sortie r\u00e9seau. Le mod\u00e8le par d\u00e9faut est con\u00e7u pour l&rsquo;anglais. Pour un corpus en fran\u00e7ais, en allemand, en italien ou multilingue, choisissez avant d&rsquo;indexer le mod\u00e8le multilingue propos\u00e9 au m\u00eame endroit (plus de 100 langues, 487 Mo, plus exigeant en ressources).<\/p>\n<p><strong>External motors<\/strong> \u2014 plusieurs fournisseurs sont pris en charge. Ils peuvent apporter un gain sur des corpus multilingues exigeants ou tr\u00e8s sp\u00e9cialis\u00e9s, au prix d&rsquo;une sortie r\u00e9seau \u00e0 chaque indexation et \u00e0 chaque question, et d&rsquo;un co\u00fbt \u00e0 l&rsquo;usage.<\/p>\n<p><strong>Changer de moteur ou de mod\u00e8le r\u00e9initialise tous les index.<\/strong> Un avertissement s&rsquo;affiche, puis, \u00e0 l&rsquo;enregistrement, WivenLLM efface les vecteurs et leur cache, et retire tous les documents de tous les espaces de travail. Les fichiers restent dans la biblioth\u00e8que, mais il faut les r\u00e9ajouter \u00e0 chaque espace pour les r\u00e9indexer. D\u00e9cidez au d\u00e9marrage.<\/p>\n<h3>Text segmentation<\/h3>\n<p>R\u00e9glages \u2192 Agent \u2192 Diviseur de texte et d\u00e9coupage r\u00e8gle deux param\u00e8tres :<\/p>\n<ul>\n<li><strong>Text segment size<\/strong> (1 000 caract\u00e8res par d\u00e9faut, dans la limite du moteur d&#8217;embeddings) \u2014 plus court, plus pr\u00e9cis mais moins contextuel ; plus long, l&rsquo;inverse.<\/li>\n<li><strong>Overlapping text segments<\/strong> (20 caract\u00e8res par d\u00e9faut) \u2014 le texte repris d&rsquo;un fragment au suivant, pour ne pas couper une id\u00e9e en deux.<\/li>\n<\/ul>\n<p>Les valeurs par d\u00e9faut conviennent \u00e0 la plupart des corpus. Un changement n&rsquo;affecte que les documents index\u00e9s ensuite.<\/p>\n<p><strong>When to adjust:<\/strong> des documents tr\u00e8s structur\u00e9s et courts (fiches, questions et r\u00e9ponses) gagnent \u00e0 des fragments plus petits ; des textes argumentatifs longs (contrats, jurisprudence) gagnent \u00e0 des fragments plus grands.<\/p>\n<hr \/>\n<h2>The vector basis<\/h2>\n<p>R\u00e9glages \u2192 Agent \u2192 Base de donn\u00e9es vectorielle.<\/p>\n<p><strong>Integrated local database (default)<\/strong> \u2014 stock\u00e9e dans le r\u00e9pertoire de l&rsquo;installation. Aucun service \u00e0 exploiter, aucune sortie r\u00e9seau, sauvegard\u00e9e avec le reste. Elle tient sans difficult\u00e9 des corpus de plusieurs dizaines de milliers de fragments, ce qui couvre la plupart des organisations.<\/p>\n<p><strong>External databases<\/strong> \u2014 plusieurs solutions du march\u00e9 sont prises en charge, en version auto-h\u00e9berg\u00e9e ou en service g\u00e9r\u00e9. \u2192 <a href=\"https:\/\/www.wiven.ai\/en\/wiven-llm\/docs\/reference\/fournisseurs\/\">Supported providers<\/a><\/p>\n<p>Changer de base vectorielle a le m\u00eame effet qu&rsquo;un changement de moteur d&#8217;embeddings : les index sont r\u00e9initialis\u00e9s et les documents sont \u00e0 r\u00e9ajouter.<\/p>\n<h3>When to consider an external base<\/h3>\n<ul>\n<li>Le volume d\u00e9passe ce que la base locale traite confortablement.<\/li>\n<li>Une base existe d\u00e9j\u00e0 dans votre organisation et vous souhaitez la mutualiser.<\/li>\n<li>Plusieurs applications doivent partager le m\u00eame index.<\/li>\n<li>La haute disponibilit\u00e9 est requise.<\/li>\n<\/ul>\n<p>Dans les autres cas, la base locale est le meilleur choix : moins de pi\u00e8ces mobiles, aucune sortie r\u00e9seau, sauvegarde unifi\u00e9e.<\/p>\n<p>Un service g\u00e9r\u00e9 signifie que vos vecteurs et leurs m\u00e9tadonn\u00e9es sortent de votre p\u00e9rim\u00e8tre. Sur une installation dont l&rsquo;exigence est la souverainet\u00e9, cela annule le b\u00e9n\u00e9fice d&rsquo;un mod\u00e8le local.<\/p>\n<hr \/>\n<h2>Index organization<\/h2>\n<p>Chaque espace de travail dispose de son propre espace de noms dans la base. Une recherche dans un espace n&rsquo;atteint donc pas les documents d&rsquo;un autre. Les droits par document filtrent en plus, au sein d&rsquo;un espace, ce que chaque personne peut recevoir.<\/p>\n<p>Le Second Brain de chaque utilisateur dispose \u00e9galement du sien, s\u00e9par\u00e9 des espaces de travail.<\/p>\n<hr \/>\n<h2>Maintenance operations<\/h2>\n<p><strong>Reindex a space.<\/strong> Il n&rsquo;y a pas de commande d\u00e9di\u00e9e : r\u00e9initialisez l&rsquo;espace, puis r\u00e9ajoutez ses documents. \u00c0 faire lorsqu&rsquo;un index est suspect\u00e9 incoh\u00e9rent.<\/p>\n<p><strong>Reset a space.<\/strong> R\u00e9glages de l&rsquo;espace \u2192 Base de donn\u00e9es vectorielle \u2192 R\u00e9initialiser la base de donn\u00e9es vectorielle (administrateur ou gestionnaire). Efface les vecteurs de l&rsquo;espace. Les documents restent dans la biblioth\u00e8que et doivent \u00eatre r\u00e9ajout\u00e9s.<\/p>\n<p><strong>Check the number of vectors.<\/strong> Le m\u00eame onglet affiche le nombre de vecteurs de l&rsquo;espace \u2014 utile pour confirmer qu&rsquo;une indexation s&rsquo;est bien d\u00e9roul\u00e9e. Console Wiven \u2192 Sant\u00e9 de l&rsquo;installation contr\u00f4le aussi les documents et l&rsquo;index de toute l&rsquo;instance.<\/p>\n<hr \/>\n<h2>Diagnosing a bad search<\/h2>\n<table>\n<thead>\n<tr>\n<th>Symptom<\/th>\n<th>Track<\/th>\n<\/tr>\n<\/thead>\n<tbody>\n<tr>\n<td>\u00ab&quot;He doesn&#039;t realize it&#039;s written there.&quot;\u00bb<\/td>\n<td>Seuil de similarit\u00e9 trop \u00e9lev\u00e9 ; ou document non ajout\u00e9 \u00e0 l&rsquo;espace ; ou texte mal extrait ; ou mod\u00e8le d&#8217;embeddings anglais sur un corpus fran\u00e7ais<\/td>\n<\/tr>\n<tr>\n<td>\u00ab&quot;He quotes irrelevant passages.&quot;\u00bb<\/td>\n<td>Threshold too low, or too many fragments requested<\/td>\n<\/tr>\n<tr>\n<td>\u00ab&quot;He only finds part of it.&quot;\u00bb<\/td>\n<td>Number of fragments too low; increase gradually<\/td>\n<\/tr>\n<tr>\n<td>\u00ab Il ne trouve plus rien, d&rsquo;un coup \u00bb<\/td>\n<td>Moteur d&#8217;embeddings ou base vectorielle chang\u00e9s : les documents ont \u00e9t\u00e9 retir\u00e9s des espaces, il faut les r\u00e9ajouter<\/td>\n<\/tr>\n<tr>\n<td>\u00ab&quot;He finds it in an outdated document&quot;\u00bb<\/td>\n<td>Two versions coexist in the index; remove the old one<\/td>\n<\/tr>\n<tr>\n<td>\u00ab Il r\u00e9pond sans lire un document pr\u00e9cis \u00bb<\/td>\n<td>Ce document est peut-\u00eatre r\u00e9serv\u00e9 \u00e0 d&rsquo;autres personnes (droits par document)<\/td>\n<\/tr>\n<\/tbody>\n<\/table>\n<p>Le seuil de similarit\u00e9 (0,25 par d\u00e9faut) et le nombre de fragments (4 par d\u00e9faut) se r\u00e8glent par espace de travail. \u2192 <a href=\"https:\/\/www.wiven.ai\/en\/wiven-llm\/docs\/utilisation\/conversations\/\">Conversations<\/a><\/p>\n<p>Console Wiven \u2192 Contr\u00f4le des r\u00e9ponses rejoue des questions de contr\u00f4le par espace, explique chaque \u00e9chec et propose des r\u00e9glages de recherche \u00e0 essayer avant de les appliquer.<\/p>","protected":false},"parent":7451,"menu_order":503,"template":"","meta":[],"class_list":["post-7478","wvn_doc","type-wvn_doc","status-publish","hentry"],"yoast_head":"<!-- This site is optimized with the Yoast SEO plugin v28.9 - https:\/\/yoast.com\/product\/yoast-seo-wordpress\/ -->\n<title>Base vectorielle et embeddings \u2014 Documentation WivenLLM<\/title>\n<meta name=\"description\" content=\"Comment fonctionne la recherche documentaire, quel moteur choisir, et quand changer de base.\" \/>\n<meta name=\"robots\" content=\"index, follow, max-snippet:-1, max-image-preview:large, max-video-preview:-1\" \/>\n<link rel=\"canonical\" href=\"https:\/\/www.wiven.ai\/en\/wiven-llm\/docs\/administration\/vectoriel\/\" \/>\n<meta property=\"og:locale\" content=\"en_US\" \/>\n<meta property=\"og:type\" content=\"article\" \/>\n<meta property=\"og:title\" content=\"Base vectorielle et embeddings \u2014 Documentation WivenLLM\" \/>\n<meta property=\"og:description\" content=\"Comment fonctionne la recherche documentaire, quel moteur choisir, et quand changer de base.\" \/>\n<meta property=\"og:url\" content=\"https:\/\/www.wiven.ai\/en\/wiven-llm\/docs\/administration\/vectoriel\/\" \/>\n<meta property=\"og:site_name\" content=\"Wiven AI\" \/>\n<meta property=\"article:modified_time\" content=\"2026-11-09T16:21:28+00:00\" \/>\n<meta name=\"twitter:card\" content=\"summary_large_image\" \/>\n<meta name=\"twitter:label1\" content=\"Est. reading time\" \/>\n\t<meta name=\"twitter:data1\" content=\"5 minutes\" \/>\n<script type=\"application\/ld+json\" class=\"yoast-schema-graph\">{\"@context\":\"https:\\\/\\\/schema.org\",\"@graph\":[{\"@type\":\"WebPage\",\"@id\":\"https:\\\/\\\/www.wiven.ai\\\/wiven-llm\\\/docs\\\/administration\\\/vectoriel\\\/\",\"url\":\"https:\\\/\\\/www.wiven.ai\\\/wiven-llm\\\/docs\\\/administration\\\/vectoriel\\\/\",\"name\":\"Base vectorielle et embeddings \u2014 Documentation WivenLLM\",\"isPartOf\":{\"@id\":\"https:\\\/\\\/www.wiven.ai\\\/#website\"},\"datePublished\":\"2026-08-19T19:10:08+00:00\",\"dateModified\":\"2026-11-09T16:21:28+00:00\",\"description\":\"Comment fonctionne la recherche documentaire, quel moteur choisir, et quand changer de base.\",\"breadcrumb\":{\"@id\":\"https:\\\/\\\/www.wiven.ai\\\/wiven-llm\\\/docs\\\/administration\\\/vectoriel\\\/#breadcrumb\"},\"inLanguage\":\"en\",\"potentialAction\":[{\"@type\":\"ReadAction\",\"target\":[\"https:\\\/\\\/www.wiven.ai\\\/wiven-llm\\\/docs\\\/administration\\\/vectoriel\\\/\"]}]},{\"@type\":\"BreadcrumbList\",\"@id\":\"https:\\\/\\\/www.wiven.ai\\\/wiven-llm\\\/docs\\\/administration\\\/vectoriel\\\/#breadcrumb\",\"itemListElement\":[{\"@type\":\"ListItem\",\"position\":1,\"name\":\"Home\",\"item\":\"https:\\\/\\\/www.wiven.ai\\\/\"},{\"@type\":\"ListItem\",\"position\":2,\"name\":\"Documentation\",\"item\":\"https:\\\/\\\/www.wiven.ai\\\/wiven-llm\\\/docs\\\/\"},{\"@type\":\"ListItem\",\"position\":3,\"name\":\"Administration\",\"item\":\"https:\\\/\\\/www.wiven.ai\\\/wiven-llm\\\/docs\\\/administration\\\/\"},{\"@type\":\"ListItem\",\"position\":4,\"name\":\"Base vectorielle et embeddings\"}]},{\"@type\":\"WebSite\",\"@id\":\"https:\\\/\\\/www.wiven.ai\\\/#website\",\"url\":\"https:\\\/\\\/www.wiven.ai\\\/\",\"name\":\"Wiven AI\",\"description\":\"\",\"potentialAction\":[{\"@type\":\"SearchAction\",\"target\":{\"@type\":\"EntryPoint\",\"urlTemplate\":\"https:\\\/\\\/www.wiven.ai\\\/?s={search_term_string}\"},\"query-input\":{\"@type\":\"PropertyValueSpecification\",\"valueRequired\":true,\"valueName\":\"search_term_string\"}}],\"inLanguage\":\"en\"}]}<\/script>\n<!-- \/ Yoast SEO plugin. -->","yoast_head_json":{"title":"Vector base and embeddings \u2014 WivenLLM documentation","description":"How does document retrieval work, which search engine to choose, and when to change databases?.","robots":{"index":"index","follow":"follow","max-snippet":"max-snippet:-1","max-image-preview":"max-image-preview:large","max-video-preview":"max-video-preview:-1"},"canonical":"https:\/\/www.wiven.ai\/en\/wiven-llm\/docs\/administration\/vectoriel\/","og_locale":"en_US","og_type":"article","og_title":"Base vectorielle et embeddings \u2014 Documentation WivenLLM","og_description":"Comment fonctionne la recherche documentaire, quel moteur choisir, et quand changer de base.","og_url":"https:\/\/www.wiven.ai\/en\/wiven-llm\/docs\/administration\/vectoriel\/","og_site_name":"Wiven AI","article_modified_time":"2026-11-09T16:21:28+00:00","twitter_card":"summary_large_image","twitter_misc":{"Est. reading time":"5 minutes"},"schema":{"@context":"https:\/\/schema.org","@graph":[{"@type":"WebPage","@id":"https:\/\/www.wiven.ai\/wiven-llm\/docs\/administration\/vectoriel\/","url":"https:\/\/www.wiven.ai\/wiven-llm\/docs\/administration\/vectoriel\/","name":"Vector base and embeddings \u2014 WivenLLM documentation","isPartOf":{"@id":"https:\/\/www.wiven.ai\/#website"},"datePublished":"2026-08-19T19:10:08+00:00","dateModified":"2026-11-09T16:21:28+00:00","description":"How does document retrieval work, which search engine to choose, and when to change databases?.","breadcrumb":{"@id":"https:\/\/www.wiven.ai\/wiven-llm\/docs\/administration\/vectoriel\/#breadcrumb"},"inLanguage":"en","potentialAction":[{"@type":"ReadAction","target":["https:\/\/www.wiven.ai\/wiven-llm\/docs\/administration\/vectoriel\/"]}]},{"@type":"BreadcrumbList","@id":"https:\/\/www.wiven.ai\/wiven-llm\/docs\/administration\/vectoriel\/#breadcrumb","itemListElement":[{"@type":"ListItem","position":1,"name":"Home","item":"https:\/\/www.wiven.ai\/"},{"@type":"ListItem","position":2,"name":"Documentation","item":"https:\/\/www.wiven.ai\/wiven-llm\/docs\/"},{"@type":"ListItem","position":3,"name":"Administration","item":"https:\/\/www.wiven.ai\/wiven-llm\/docs\/administration\/"},{"@type":"ListItem","position":4,"name":"Base vectorielle et embeddings"}]},{"@type":"WebSite","@id":"https:\/\/www.wiven.ai\/#website","url":"https:\/\/www.wiven.ai\/","name":"Wiven AI","description":"","potentialAction":[{"@type":"SearchAction","target":{"@type":"EntryPoint","urlTemplate":"https:\/\/www.wiven.ai\/?s={search_term_string}"},"query-input":{"@type":"PropertyValueSpecification","valueRequired":true,"valueName":"search_term_string"}}],"inLanguage":"en"}]}},"_links":{"self":[{"href":"https:\/\/www.wiven.ai\/en\/wp-json\/wp\/v2\/wvn_doc\/7478","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/www.wiven.ai\/en\/wp-json\/wp\/v2\/wvn_doc"}],"about":[{"href":"https:\/\/www.wiven.ai\/en\/wp-json\/wp\/v2\/types\/wvn_doc"}],"up":[{"embeddable":true,"href":"https:\/\/www.wiven.ai\/en\/wp-json\/wp\/v2\/wvn_doc\/7451"}],"wp:attachment":[{"href":"https:\/\/www.wiven.ai\/en\/wp-json\/wp\/v2\/media?parent=7478"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}