Base vectorielle trop chère ? Vectorize gratuit : recherche sémantique en 30 minutes

Vous voulez une recherche intelligente sur votre blog, et Pinecone commence à ~50 $/mois. Les bases vectorielles comprennent le sens, trouvent du contenu similaire et alimentent les bases de connaissances IA — mais pour un projet perso, le prix pique.

Cloudflare Vectorize : quota gratuit largement suffisant ; 1 M de vecteurs, 30 000 requêtes ≈ 0,31 $. Cet article explique ce qu’est Vectorize, pourquoi c’est économique, et comment lancer une démo de recherche sémantique complète en 30 minutes.

Partie 1 : concepts essentiels

Base vectorielle en trois phrases

La première fois que j’ai vu « vecteur 768 dimensions », j’ai flanché. En pratique, ce n’est pas si terrible.

Une base classique stocke texte, nombres, dates. Une base vectorielle stocke le sens. Vous tapez « smartphone Apple » : la recherche par mots-clés ne trouve que cette chaîne exacte ; la recherche vectorielle rapproche « iPhone », « nouveau modèle Apple », « flagship Apple ».

Le mécanisme : passer le texte par un modèle d’embedding (OpenAI, BGE, etc.) qui renvoie des nombres, par ex. [0,23, -0,45, 0,78, ...] — 768 valeurs. Deux textes proches en sens → vecteurs proches en géométrie.

Exemple sur mon blog : requête « ordinateur portable pas cher » → article « laptop bon rapport qualité-prix » sans mot commun — c’est la recherche sémantique.

Pourquoi Vectorize ? Comparaison avec trois acteurs

Pinecone, Weaviate, Milvus sonnent pro — pourtant, pour petits projets et indés, Vectorize m’a convaincu après comparaison.

Coût (le plus concret)

Pinecone : plan standard dès ~50 $/mois minimum, ~41 $/mois pour 1 M de vecteurs. Weaviate serverless ~25 $/mois ; 1 M de vecteurs 1536D + requêtes → facture pouvant grimper à ~153 $ (version compressée ~25 $).

Vectorize (mes tests) : 1 M de vecteurs 768D, 1 000 requêtes/jour (~30 000/mois) → 0,31 $. Le blog Cloudflare cite −75 % requêtes, −98 % stockage.

Quota gratuit pour un petit projet ou un MVP. Payer seulement quand ça scale — c’est raisonnable.

Intégration

Pinecone et Weaviate : compte, clés API, réseau. Déjà sur Workers : Vectorize s’intègre dans wrangler.toml, appel env.VECTORIZE_INDEX, sans variables d’env dédiées.

Avec Pinecone, j’ai perdu ~30 min rien qu’à sécuriser la clé API dans Workers. Vectorize : pas ce sujet.

Scénarios

Vectorize n’est pas universel :

• Petit projet, MVP, blog : Vectorize (coût, simplicité)
• Entreprise, milliards de vecteurs : Pinecone (infra, support)
• Multimodal : Weaviate (image, vidéo, audio natif)

Cloudflare : jusqu’à 5 M de vecteurs par index. Trois ans de blog perso, ~200 articles — loin du plafond.

En clair : vous débutez en recherche vectorielle ou le budget est serré → Vectorize est le meilleur point de départ. Migrer plus tard reste faisable.

🔥 Ne perdez plus des mois sur des produits sans demande ! Validez vos promesses SaaS avec Adsterra à petit budget →

Tester l'MVP →Pub

Quatre cas d’usage concrets

1. Recherche documentaire

Centaines de docs techniques, manuels, juridique — Ctrl+F rate souvent le bon doc. Sémantique : « comment demander un remboursement » → « procédure frais », « guide déplacements ». Base interne : moins de questions « où est le fichier ? » dès la première semaine.

2. Recommandations

« À lire aussi » par tags ou au hasard, c’est limité. Vectorize trouve le contenu vraiment proche : sur « React Hooks best practices », proposer « pièges useEffect » plutôt qu’un tuto Vue. +40 % de clics vs aléatoire sur mon blog.

3. RAG

Retrieval-Augmented Generation : le LLM répond sur vos données. Question produit → retrieval → contexte → réponse ancrée dans la doc, moins d’invention. Standard des chatbots support.

4. Déduplication / regroupement

Feedback : « login failed », « cannot sign in », « stuck at login » → un cluster. Modération : doublons et copies marketing similaires.

Dès que vous avez besoin de « trouver du contenu similaire », une base vectorielle aide.

Partie 2 : mise en pratique

Préparation : environnement en 5 minutes

Étape 1 — Compte Cloudflare

cloudflare.com, gratuit. Déjà client CDN/DNS ? Réutilisez le compte.

Étape 2 — Wrangler CLI

npm install -g wrangler

yarn/pnpm : commande équivalente. Vérification :

wrangler --version

Étape 3 — Connexion

wrangler login

Autorisez dans le navigateur ; le terminal doit afficher « Successfully logged in ».

Étape 4 — Projet

mkdir vectorize-demo
cd vectorize-demo
wrangler init

Réponses par défaut (Entrée) suffisent. TypeScript recommandé (JavaScript OK).

Fichiers attendus :

• wrangler.toml
• src/index.ts
• package.json

Ensuite : créer le premier index.

Créer le premier index vectoriel

Création

wrangler vectorize create my-search-index --preset @cf/baai/bge-small-en-v1.5

my-search-index : nom libre (lettres, chiffres, tirets). --preset : modèle d’embedding intégré BGE 768D.

Sortie attendue :

✅ Successfully created index my-search-index

Les presets Cloudflare évitent d’acheter une API OpenAI pour l’embedding. bge-small-en-v1.5 : bon compromis vitesse/coût. Recherche en chinois : @cf/baai/bge-base-zh-v1.5.

wrangler.toml

[[vectorize]]
binding = "VECTORIZE_INDEX"
index_name = "my-search-index"

binding = nom dans le code ; index_name = nom créé ci-dessus.

Vérification

KiloClaw - OpenClaw managé pour l’entreprise : orchestration d’agents IA et routage intelligent

Commencer →Pub

wrangler vectorize list

my-search-index doit apparaître.

Erreurs fréquentes

• « Index already exists » : renommer l’index ou wrangler vectorize delete
• Oubli de [[vectorize]] → env.VECTORIZE_INDEX undefined
• Preset invalide : liste dans la doc Cloudflare Vectorize

Prochaine étape : insérer des données et rechercher.

Code : recherche sémantique en ~30 lignes

Insertion

src/index.ts :

export interface Env {
  VECTORIZE_INDEX: VectorizeIndex;
  AI: Ai; // Cloudflare Workers AI
}
export default {
  async fetch(request: Request, env: Env): Promise<Response> {
    const url = new URL(request.url);
    // Route d'insertion
    if (url.pathname === '/insert') {
      const articles = [
        {
          id: '1',
          title: 'Introduction à Cloudflare Workers',
          content: 'Cloudflare Workers est une plateforme serverless en périphérie pour exécuter du code'
        },
        {
          id: '2',
          title: 'Guide architecture Serverless',
          content: 'Le serverless simplifie déploiement et montée en charge sans gérer des serveurs'
        },
        {
          id: '3',
          title: 'Programmation asynchrone JavaScript',
          content: 'Promise et async/await sont la façon moderne de gérer l\'asynchrone'
        }
      ];
      // Génération des embeddings par lot
      const embeddings = await Promise.all(
        articles.map(async (article) => {
          const embedding = await env.AI.run('@cf/baai/bge-small-en-v1.5', {
            text: `${article.title} ${article.content}`
          });
          return {
            id: article.id,
            values: embedding.data[0], // vecteur 768D
            metadata: {
              title: article.title,
              content: article.content
            }
          };
        })
      );
      // Insertion dans Vectorize
      await env.VECTORIZE_INDEX.upsert(embeddings);
      return new Response('Insertion réussie !', { status: 200 });
    }
    return new Response('Not found', { status: 404 });
  }
};

Résumé : 3 articles exemple → embeddings Workers AI 768D → upsert. metadata garde titre et contenu pour l’affichage.

Recherche

// Dans fetch, ajouter :
if (url.pathname === '/search') {
  const query = url.searchParams.get('q');
  if (!query) {
    return new Response('Paramètre de requête q manquant', { status: 400 });
  }
  const queryEmbedding = await env.AI.run('@cf/baai/bge-small-en-v1.5', {
    text: query
  });
  const results = await env.VECTORIZE_INDEX.query(queryEmbedding.data[0], {
    topK: 5,
    returnMetadata: true
  });
  const formattedResults = results.matches.map((match) => ({
    id: match.id,
    score: match.score,
    title: match.metadata?.title,
    content: match.metadata?.content
  }));
  return new Response(JSON.stringify(formattedResults, null, 2), {
    headers: { 'Content-Type': 'application/json' }
  });
}

Flux : paramètre q → vecteur de requête → query top 5 → JSON avec scores.

Test local

wrangler dev

Serveur local souvent http://localhost:8787.

curl http://localhost:8787/insert

Puis :

curl "http://localhost:8787/search?q=plateforme+serverless"

Exemple de résultat :

[
  {
    "id": "1",
    "score": 0.89,
    "title": "Introduction à Cloudflare Workers",
    "content": "Cloudflare Workers est une plateforme serverless..."
  },
  {
    "id": "2",
    "score": 0.85,
    "title": "Guide architecture Serverless",
    "content": "Le serverless simplifie déploiement..."
  }
]

Le score (0–1) mesure la similarité. Requête « plateforme serverless » sans mot exact dans les titres — mais Workers et Serverless remontent : effet sémantique.

Notes

• Pas d’API OpenAI : Workers AI intégré, quota gratuit, pas de clé
• upsert : update ou insert selon l’id
• topK : souvent 5–10 suffit

Astuces : trois optimisations

1. Filtre metadata

Blog avec catégories « tech », « vie », « notes » : pour « Python », limiter à tech.

À l’insertion :

metadata: {
  title: article.title,
  content: article.content,
  category: 'tech'
}

À la recherche :

const results = await env.VECTORIZE_INDEX.query(queryEmbedding.data[0], {
  topK: 5,
  returnMetadata: true,
  filter: { category: 'tech' }
});

Évite de matcher « j’ai un python comme animal » en catégorie vie.

2. Recherche hybride (sémantique + mots-clés)

Pour « React 18 », booster les titres contenant exactement la requête :

const vectorResults = await env.VECTORIZE_INDEX.query(queryEmbedding.data[0], {
  topK: 20,
  returnMetadata: true
});
const finalResults = vectorResults.matches
  .map((match) => {
    let boostedScore = match.score;
    if (match.metadata?.title.includes(query)) {
      boostedScore += 0.2;
    }
    return { ...match, score: boostedScore };
  })
  .sort((a, b) => b.score - a.score)
  .slice(0, 5);

3. Lots (batch)

Centaines ou milliers d’articles : insérer par lots de 100. 500 articles : ~20 min en unitaire → ~3 min en batch.

const batchSize = 100;
for (let i = 0; i < allArticles.length; i += batchSize) {
  const batch = allArticles.slice(i, i + batchSize);
  const embeddings = await Promise.all(
    batch.map(async (article) => {
      // ... génération embedding
    })
  );
  await env.VECTORIZE_INDEX.upsert(embeddings);
}

Astuce : cache Workers KV pour requêtes populaires répétées.

Alibaba Cloud - Choix n°1 des développeurs, 15 % de réduction exclusive sur Lighthouse

Obtenir -15 % →Pub

Partie 3 : pièges et limites

Problèmes fréquents

1. Dimension mismatch

Dimension mismatch: expected 768, got 1536 — index 768D, embeddings 1536D (ex. OpenAI). Recréer l’index ou changer de modèle ; décider dès le départ.

2. Quota gratuit

~5 M vecteurs 768D, ~3 M requêtes/mois. Petit blog : souvent 0 $. Dépassement : toujours très bas (0,31 $ pour l’exemple ci-dessus).

3. Choix du modèle

• Chinois : @cf/baai/bge-base-zh-v1.5
• Anglais : @cf/baai/bge-small-en-v1.5
• Multilingue : @cf/baai/bge-m3
• OpenAI text-embedding-3-small (1536D) via API externe si besoin de qualité max

BGE intégrés : suffisants dans la majorité des cas.

4. Migration depuis Pinecone

1. Exporter vecteurs + metadata Pinecone
2. Convertir au format Vectorize
3. upsert par lots

Même dimension obligatoire (1536D des deux côtés si preset 1536D).

const pineconeVectors = await pineconeIndex.fetch({ ids: allIds });
const vectorizeFormat = Object.entries(pineconeVectors.vectors).map(
  ([id, vector]) => ({
    id,
    values: vector.values,
    metadata: vector.metadata
  })
);
const batchSize = 100;
for (let i = 0; i < vectorizeFormat.length; i += batchSize) {
  const batch = vectorizeFormat.slice(i, i + batchSize);
  await env.VECTORIZE_INDEX.upsert(batch);
}

5. Résultats imprécis

• Modèle générique vs domaine médical, juridique, etc.
• Texte trop court → titre + résumé + ~200 caractères du corps
• HTML/bruit non nettoyé

Quand changer de solution

> 5 M vecteurs → Pinecone ou Milvus self-hosted (rare en pratique).

Multimodal → Weaviate.

Requêtes graphe complexes → GraphRAG + Neo4j.

Latence < 10 ms → Redis + Faiss.

Vectorize : 50–200 ms, OK pour la plupart des cas.

Ne pas viser la perfection au jour 1 : valider le produit, migrer si besoin — formats proches, migration scriptable en quelques heures. Mieux vaut un MVP qu’un mois de comparaison d’outils sans code.

Conclusion

Les bases vectorielles sont-elles chères ? Ça dépend. Pinecone dès ~50 $/mois ; Vectorize gratuit suffit souvent pour une app de taille modeste. Ma recherche sémantique de blog : 0 $ après deux mois.

De la théorie au code, des bases aux optimisations — vous devriez pouvoir démarrer Vectorize rapidement. Prochaines étapes :

1. Exemple officiel Cloudflare — 5 min pour voir le rendu
2. Discord Cloudflare pour les questions
3. Brancher vos données : base interne, notes perso, chatbot support

La recherche sémantique n’est pas magique — il faut commencer. Une fois en prod, ça résout de vrais problèmes.

Si cet article vous a aidé, partagez-le avec d’autres qui montent des apps IA — on économise et on avance ensemble.