La boutique est ouverte

Nous construisons les machines Workstation AI pour les sites web, les agents IA et l'entraînement de LLM — configurez-les et achetez-les en ligne.

Obtenir les prix pro
Produits IA
Labs IAAgents OpenAIAgents ClaudeGrok BotCRM natif Workstation AIMarketingTous les produits
Solutions IA
IA appliquéeAgents IAIA générativeAutomatisation par IAMontée en compétence IAOffres IA pour PMELaboratoire IA d'entrepriseStations de travail IAMatériel et logiciels NVIDIACalcul accéléré NVIDIAIA privéeCloud privé GPUClusters GPUIA en périphérieIA par secteur
Services IA
Modernisation des plateformesIngénierie numériqueFondations data et IAOpérations autonomesConseil IAAutomatisation DevOpsCybersécuritéDéveloppement logicielCréation d'agentsMise en place MLOpsLocation de GPUCloud privé GPU
À propos
EntrepriseNotre histoirePartenairesTémoignages clients
Centres de données IA
Centres de données IACloud privé GPUClusters GPULocation de GPU
Analyses IASérie JevLabo de benchmarksChoix de modèles
Notes techniques
Documentation
OS LinuxUbuntuRed Hat Enterprise LinuxSUSE LinuxAlpine LinuxDebian, Rocky & AlmaLinux
Plateformes cloud d'IAAWS & Amazon BedrockGoogle Cloud & Vertex AIMicrosoft Azure & AI FoundryClouds et places de marché GPU
Centres de données IA privésPour les cabinets d'avocatsPour les cabinets comptablesPlateformes sur siteCloud entièrement sécurisé
OutilsRing PromoterJobshout
Actualités
Blog
Nous contacterSe connecter

Stations de travail IA, logiciels multi-agents IA, infrastructure GPU et solutions d'agents intelligents pour les entreprises modernes.

Nous contacter

Solutions IA

IA appliquéeAgents IAIA générativeAutomatisation par IAMontée en compétence IAOffres IA pour PMELaboratoire IA d'entrepriseIA par secteur

Produits

Tous les produitsCRM & ERP natifs Workstation AIMarketingAgents OpenAIRing PromoterJobshout

Entreprise

À proposEntrepriseCentres de données IAPourquoi WorkstationPartenairesTémoignages clientsTarifsContactTenthMatrix

Ressources

Analyses IANotes techniquesDocumentationOS LinuxPlateformes cloud d'IACentres de données IA privésBlogRechercherPlan du site
Siège social au Royaume-Uni
77-79 Marlowes, Hemel Hempstead HP1 1LFItinéraire : prenez la sortie 20 de la M25, Outer LondonN° d'entreprise: 11641870Lun - Ven : 9h00 - 18h00 GMT
+44 7515 356 146
Bureau de Belgique
Workstation SRL, Rue Vanderkindere 34, 1180 Uccle, BrusselsBE 0751.518.683Lun - Ven : 9h00 - 18h00 CET
+32 492 45 67 46
Bureau de l'Inde
#159 Sector 9, Pocket 1, DDA Flats, 110077 Dwarka, New Delhi
+91 98881 98841
Bureau de Taïwan
3F, No. 2-4, Aisi Rd., Ren'ai Dist., Keelung City 200, Taiwan基隆市仁愛區愛四路2之4號3樓Lun - Ven : 9 h 00 - 18 h 00, heure de Taïwan (GMT+8)
+886 926 892 701+32 492 45 67 46
Bureau en Estonie
Aleksander Puškini tn 30-25, 20306 Narva, EstoniaLun - Ven : 9 h 00 - 18 h 00, heure d’Estonie (EET)
+32 492 45 67 46

© 2026 Workstation AI. Tous droits réservés.

ConfidentialitéSuppression des donnéesCookiesConditions d'utilisationPlan du site web

NVIDIA, le logo NVIDIA, RTX, RTX PRO, Blackwell, CUDA, NVLink, MGX, Omniverse, Spectrum-X, Quantum, BlueField, DGX et HGX sont des marques commerciales et/ou des marques déposées de NVIDIA Corporation aux États-Unis et dans d'autres pays. AMD, le logo AMD Arrow, EPYC, Instinct, Ryzen et Threadripper sont des marques commerciales d'Advanced Micro Devices, Inc. Dell et PowerEdge sont des marques commerciales de Dell Inc. ou de ses filiales. Intel et Xeon sont des marques commerciales d'Intel Corporation ou de ses filiales. AMAX, AceleMax et LiquidMax sont des marques commerciales d'AMAX Engineering Corporation. Tous les autres noms de produits, logos et marques appartiennent à leurs propriétaires respectifs. Nous les utilisons uniquement pour identifier les produits que nous décrivons, fournissons ou prenons en charge ; leur utilisation ne signifie pas que leurs propriétaires nous cautionnent.

Loading blog...

Accueil / Blogs
AI AgentsRagNebuladbVector SearchSemantic SearchLLMDatabaseMcpOllamaRustAI

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

Balinder Walia8 novembre 20268 min read
Build AI agents with NebulaDB: semantic search, filtered SQL, RAG and a Visa AI Agent

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 que min_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.

  1. Le sens contre les mots : la même question soumise à la recherche BM25, vectorielle et hybride, côte à côte.
  2. Comparatif de modèles : hit@1, hit@5 et MRR pour chaque méthode de récupération sur un ensemble de questions étiquetées.
  3. Les filtres qui comptent : recherche sémantique et filtres de métadonnées dans une seule instruction SQL, avec EXPLAIN ANALYZE.
  4. 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.
  5. Raisonner sur les données : un plan en plusieurs étapes dans lequel chaque étape est une requête SQL en direct.
  6. Savoir dire non : règles de refus, filtres d'accès par utilisateur et seuils de pertinence, évalués sur une matrice de confusion.
  7. Passer à l'échelle : un balayage HNSW ef qui arbitre entre latence et concordance.
  8. 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 métierBM25VectorielleHybride
Groupement scolaire et université59 %74 %89 %
Maisons de soins62 %88 %73 %
Agence de visas thaïlandaise42 %71 %65 %
Petites entreprises et fiscalité58 %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 :

  1. Il lit l'âge, l'épargne, les revenus et l'objet de la demande du candidat dans le message.
  2. Il applique d'abord les règles de sécurité. Une demande de faux relevé bancaire reçoit une réponse fixe, et aucun modèle n'est appelé.
  3. 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.

  1. 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.