Tout le monde a le même réflexe RAG : chunk, embed, cosine similarity. C'est devenu un tic. Un développeur vient de montrer que pour son agent de code, SQLite FTS5 bat les vecteurs. Pas en théorie. En prod.
Son cas : chercher "failing tests" ou "HTTP 500" dans des logs, du JSON, du shell output. Des requêtes exactes. Le genre de truc où tu veux le mot, pas un voisin sémantique.
Le problème de fond, c'est qu'on a transformé "mémoire pour agent" en "forcément un vector store". Personne ne pose la question avant : est-ce que ma requête est sémantique ou lexicale ?
Résultat : des boîtes qui paient Pinecone 70$/mois pour faire ce qu'un fichier SQLite de 2 Mo fait en local, sans latence réseau, sans API key, sans vendor lock.
La leçon pour toi : avant de sortir l'artillerie embeddings, regarde tes requêtes réelles. Si tes utilisateurs tapent des mots précis (noms de produit, codes erreur, termes métier), FTS5 ou Meilisearch te coûtent zéro en infra et répondent en microsecondes.
Le vecteur reste roi pour la recherche floue en langage naturel. Mais "roi partout" c'est la définition du marteau qui voit des clous.
(Source)
Le fait Un dev a poussé son pipeline RAG de 72% à 100% de précision en retrieval. La méthode : combiner recherche vectorielle ET recherche lexicale, puis fusionner les résultats avec Reciprocal Rank Fusion (RRF). Stack : NVIDIA NIM embeddings + Chroma Cloud + FastAPI, le tout sur du free-tier. (Source)
Et alors Ca confirme le signal du jour. Le vecteur seul rate les requêtes courtes et exactes. Le lexical seul rate les reformulations. Les deux ensemble, avec un algo de fusion simple, couvrent les deux cas. Et RRF tient en 20 lignes de code. Pas besoin d'un framework.
Le fait Un serveur MCP open-source en Go qui connecte Claude Code (ou Cursor) directement a une base PostgreSQL live. 9 outils : introspection schema, EXPLAIN ANALYZE, simulation d'index via hypopg, audit sante (vacuum, XID wraparound, replication lag). Un binaire statique de 15 Mo, pas de runtime Python. (Source)
Et alors Fini le copier-coller SQL entre ton chat IA et ton client DB. L'assistant voit tes vraies tables, tes vrais index, tes vraies requetes lentes. Mode restricted = read-only, donc tu peux le brancher en staging sans stress. Si tu utilises Claude Code + Postgres, c'est un gain de 10 minutes par session de debug.
Le fait Un dev a relu les privacy policies des outils PDF en ligne. La plupart retiennent les fichiers uploades 24h ou plus, certains les utilisent "pour ameliorer le service". Contrats clients, fiches de paie, pieces d'identite : sur le serveur de quelqu'un d'autre. (Source)
Et alors Si tu geres des docs clients, la regle est simple : soit tu utilises un outil qui tourne 100% cote navigateur (pas d'upload), soit tu auto-heberges. LibreOffice en CLI, pdf-lib en Node, Stirling PDF en Docker. Le "gratuit" qui uploade, c'est toi le produit. Et ton client avec.
(on le savait, mais un rappel ne fait pas de mal)
Pour la memoire de tes agents/RAG, tu utilises quoi aujourd'hui ?
Le meilleur outil, c'est celui qui colle a ta requete, pas celui qui a le plus d'etoiles GitHub.
A demain. Forwarde a un pote qui paie un vector store pour chercher des codes erreur.
SOURCES UTILISÉES :
[S1] https://dev.to/enjoy_kumawat/i-ditched-vector-search-for-my-coding-agents-memory-fts5-won-22g2
[S2] https://dev.to/vivek_patil_f9a71d5c65994/hybrid-retrieval-rrf-how-i-got-100-retrieval-precision-in-a-production-rag-system-1oga
[S3] https://dev.to/muhammad_arbaz_9c42c67aef/your-pdf-tool-is-storing-your-files-heres-proof-4p9c
[S4] https://dev.to/mzunain/building-your-first-ai-agent-in-2026-a-complete-hands-on-guide-2633
[S5] https://dev.to/akshay_gupta/i-just-published-postgres-mcp-server-in-go-10ab
[S6] https://dev.to/rahul_agarwal18/5-hidden-ai-developer-tools-that-feel-like-cheat-codes-in-2024-5g61