Créer des agents IA avec NebulaDB : recherche sémantique, RAG et un agent IA pour les visas
Huit Labs pratiques et un agent IA pour les visas opérationnel : ce que nous avons construit sur NebulaDB, ce que nous avons mesuré et ce que nous avons appris
La plupart des agents IA échouent à cause des données, pas du modèle. Ils récupèrent le mauvais document, divulguent un enregistrement que l'utilisateur ne devrait pas voir, ou laissent un modèle de langage inventer un chiffre qui semble plausible. Nous avons créé huit NebulaDB Labs pratiques et un Visa AI Agent opérationnel pour montrer comment bien maîtriser cette couche. Cet article présente ce que nous avons construit, ce que nous avons mesuré et ce que nous avons appris. Le guide technique complet contient chaque requête, chaque plan et chaque résultat.
L'idée : regrouper les données, la recherche et les appels au modèle de l'agent en un seul endroit
Des bases de données cloud comme AlloyDB AI de Google l'ont clairement démontré : une application d'IA est plus simple à construire lorsque la base de données se charge de la recherche vectorielle, des embeddings et des appels au modèle, au plus près des données opérationnelles. Nous partageons cette idée. NebulaDB est notre version open source de ce principe, un binaire Rust unique que vous pouvez exécuter sur votre propre matériel :
- Des documents avec métadonnées, vectorisés à l'écriture par un embedder interchangeable (nous utilisons
nomic-embed-text, 768 dimensions). - Recherche vectorielle, par mots-clés (BM25) et hybride via un seul point de terminaison.
- Du SQL qui comprend le sens :
semantic_match(text, '…')à côté de filtres ordinaires tels quemin_age <= 55, via REST ou le protocole filaire Postgres. - Une passerelle LLM (
/api/v1/ai/chat) qui achemine le chat, le raisonnement et la synthèse vers le modèle que vous configurez. - Un serveur MCP, pour que des agents comme Claude puissent appeler le SQL, la recherche et le RAG en tant qu'outils.
Notre instance de production contient 8,3 millions de documents. Les Labs s'exécutent sur ce même serveur, chacun dans son propre petit bucket.
Huit Labs, huit entreprises, une seule base de données
Chaque Lab enseigne une idée en deux à cinq minutes et s'exécute sur une véritable instance NebulaDB. Il n'y a ni enregistrements ni chiffres préparés à l'avance. Vous choisissez un « pack » métier (un groupement scolaire, un groupe de soins, une messagerie d'équipe logistique, une rédaction, un fournisseur B2B, de petites entreprises britanniques avec des notes fiscales, des agriculteurs indiens posant leurs questions en hindi et en pendjabi, ou une agence de visas thaïlandaise) et le Lab charge les documents de ce pack lors de la première utilisation. Toutes les données sont fictives.
- Le sens contre les mots : la même question soumise à la recherche BM25, vectorielle et hybride, côte à côte.
- Comparatif de modèles : hit@1, hit@5 et MRR pour chaque méthode de récupération sur un ensemble de questions étiquetées.
- Les filtres qui comptent : recherche sémantique et filtres de métadonnées dans une seule instruction SQL, avec
EXPLAIN ANALYZE. - Le RAG, pas à pas : règles de sécurité, puis récupération, puis sources numérotées, puis le même modèle interrogé deux fois, une fois sans les sources et une fois avec.
- Raisonner sur les données : un plan en plusieurs étapes dans lequel chaque étape est une requête SQL en direct.
- Savoir dire non : règles de refus, filtres d'accès par utilisateur et seuils de pertinence, évalués sur une matrice de confusion.
- Passer à l'échelle : un balayage HNSW
efqui arbitre entre latence et concordance. - Visualiser l'espace : des embeddings projetés en 2D dans votre navigateur.
Ce que nous avons mesuré : la recherche hybride ne l'emporte pas toujours
Le 8 novembre 2026, nous avons exécuté les questions étiquetées de chaque pack sur NebulaDB en production et relevé le hit@1, c'est-à-dire la proportion de questions pour lesquelles le bon document est arrivé en premier :
| Pack métier | BM25 | Vectorielle | Hybride |
|---|---|---|---|
| Groupement scolaire et université | 59 % | 74 % | 89 % |
| Maisons de soins | 62 % | 88 % | 73 % |
| Agence de visas thaïlandaise | 42 % | 71 % | 65 % |
| Petites entreprises et fiscalité | 58 % | 62 % | 77 % |
| Agriculteurs (anglais, hindi, pendjabi) | 42 % | 32 % | 48 % |
Deux enseignements en sont ressortis. Premièrement, la meilleure méthode de récupération dépend de l'activité : la recherche hybride l'a emporté pour l'école et le pack fiscal, tandis que la recherche vectorielle simple l'a emporté pour les maisons de soins et les visas. Mesurez avant de choisir. Deuxièmement, un embedder centré sur l'anglais peine avec l'hindi et le pendjabi, et aucun travail sur les invites ne corrige cela. La solution est un embedder multilingue. Ces ensembles de questions sont petits (26 à 55 questions chacun) ; considérez-les donc comme des tests de fumée, et non comme des benchmarks.
Le Visa AI Agent : laisser le code décider, laisser le modèle rédiger
Le Visa AI Agent répond aux questions pour « Lotus Gate », une agence de visas thaïlandaise fictive, à l'aide de 138 documents : 32 fiches de types de visa couvrant 21 parcours, ainsi que des règles, des procédures, des frais, des bureaux et des notes de dossiers clients privées. Sa règle de conception est simple : le modèle de langage ne décide jamais de ce qu'il faut interroger. Les petits modèles locaux ne suivent pas les instructions d'appel d'outils de manière fiable ; c'est donc du code simple qui assure quatre tâches :
- Il lit l'âge, l'épargne, les revenus et l'objet de la demande du candidat dans le message.
- Il applique d'abord les règles de sécurité. Une demande de faux relevé bancaire reçoit une réponse fixe, et aucun modèle n'est appelé.
- Il choisit les outils et écrit lui-même le SQL, comme cette véritable requête du Visa Finder :
SELECT * FROM lab_visa
WHERE semantic_match(text, 'I''m 55, British, with 900k THB savings and want to retire in Chiang Mai')
AND kind = 'visa_type'
AND min_age <= 55
AND min_funds_thb <= 900000
AND array_contains(purpose, 'retire')
LIMIT 200
En production, elle a renvoyé exactement trois parcours en environ 100 ms : le Non-O de 90 jours pour la retraite, le Non-O-A d'un an et Thailand Privilege. Les fiches de visa affichées à l'écran sont construites à partir de ces lignes SQL, et non à partir du texte du modèle.
- Il vérifie la réponse. Chaque chiffre de la réponse du modèle doit figurer dans une source.
Cette dernière vérification a prouvé son utilité. Avec le modèle de production de 3 milliards de paramètres, une réponse recommandait le bon visa mais « calculait » aussi un revenu mensuel de 75 000 THB en divisant l'épargne par 12. Aucune source ne dit cela. Sur quatre exécutions, deux contenaient un chiffre ne figurant dans aucune source, et la vérification les a signalées toutes les deux. Avec les mêmes sources, un modèle de 30 milliards de paramètres a rédigé une comparaison correcte et sourcée de cinq parcours. Le SQL, les fiches et les garde-fous étaient identiques à chaque exécution. Seule la qualité de rédaction a changé.
Les données privées restent dans la base de données
Une recherche hybride non filtrée pour « Je veux prendre ma retraite à Chiang Mai, j'ai 55 ans » a renvoyé, en deuxième position, une note de dossier privée concernant un autre client. La récupération porte sur la pertinence, pas sur les autorisations. Dans NebulaDB, la solution est un filtre à l'intérieur de la requête, AND client_id = 'LG-1042', de sorte que les lignes hors du périmètre de l'utilisateur connecté ne quittent jamais la base de données. Les visiteurs anonymes ne voient jamais que des documents publics. Nous l'avons appris à nos dépens : la première recherche de règles de l'agent était une recherche hybride simple, et nous avons repéré cette note de dossier dans les éléments renvoyés à un invité en rédigeant cet article. Un seul prédicat client_id = 'public' a suffi à corriger le problème.
Quand l'administration change les règles
Les règles en matière de visas changent souvent, et c'est l'argument le plus fort en faveur du RAG plutôt que de l'affinage. Le panneau « The rules changed » du Lab RAG réingère une modification simulée d'une page officielle, sous le même identifiant de document, et pose à nouveau la question. La réponse suivante cite la nouvelle règle, sans qu'aucun modèle ne soit réentraîné. En production, cela devient un robot d'exploration planifié. Il calcule l'empreinte de chaque page officielle, insère ou met à jour le texte modifié avec sa date source et as_of, et permet à l'agent de citer la mise à jour dès la question suivante.
Essayez-le, puis construisez le vôtre
- Les Labs : showcase.nebuladb.net/#/labs. Connectez-vous avec un compte Google.
- Le Visa AI Agent : showcase.nebuladb.net/#/tab/visaagent.
- Le code : github.com/bwalia/nebuladb, y compris les Labs sous
apps/showcase/src/labs/. - L'analyse approfondie : Building AI Agents with NebulaDB: the technical guide.
Vous voulez un agent comme celui-ci sur vos propres documents, avec vos propres règles d'accès, sur du matériel que vous contrôlez ? Parlez-nous : nous commencerons par un pack de vos données au format des Labs et mesurerons la récupération avant d'écrire la moindre invite.
Le contenu relatif aux visas dans la démonstration est fictif et simplifié. Les règles changent souvent ; vérifiez auprès de l'immigration thaïlandaise ou d'une ambassade de Thaïlande. Ceci ne constitue pas un conseil juridique.