Comment construire une recherche sémantique avec Supabase + pgvector + les embeddings Claude en 2026. Comparatif Pinecone, Weaviate et Qdrant, cas client réel de Kreante et détail des tarifs 2026.
TL;DR La recherche vectorielle de Supabase s’appuie sur l’extension PostgreSQL pgvector pour stocker et interroger des embeddings de grande dimension directement dans votre base relationnelle existante. Associée aux embeddings de Claude ou d’OpenAI, elle offre une recherche sémantique de niveau production sans vous enfermer chez un fournisseur de bases vectorielles dédié. Pour la plupart des équipes qui livrent en 2026, Supabase + pgvector revient moins cher, reste plus simple et présente moins de risques que Pinecone, Weaviate ou Qdrant en services autonomes.
Mis à jour en juin 2026 par Marianella Saavedra Terkes. Lecture de 10 minutes. Kreante est Bubble Gold Partner, Webflow Expert, agence certifiée FlutterFlow et membre de l’Anthropic Claude Partner Network. Plus de 265 projets, plus de 110 clients dans plus de 35 pays, noté 4,9/5 sur Clutch.
Supabase Vector est la couche de stockage et de recherche par similarité intégrée à Supabase, propulsée par l’extension open source pgvector pour PostgreSQL. Elle vous permet de stocker des tableaux de flottants (les embeddings) comme un type de colonne natif et d’exécuter des recherches approximatives des plus proches voisins (ANN) dans la base même où vivent déjà vos utilisateurs, vos contenus et vos transactions.
Aucun service vectoriel séparé. Aucune clé d’API supplémentaire. Aucun pipeline de données dupliqué.
Activez-la avec une seule commande SQL :
create extension if not exists vector;Ajoutez ensuite une colonne vectorielle à n’importe quelle table :
alter table documents add column embedding vector(1536);C’est là toute la modification d’infrastructure.
pgvector ajoute trois choses à PostgreSQL :
HNSW est la recommandation par défaut pour 2026. Il construit une structure de graphe qui maintient la latence des requêtes sous les 10 ms au 99e centile, pour des jeux de données allant jusqu’à environ 5 millions de vecteurs sur une instance Supabase Pro standard.
| Critère | Supabase + pgvector | Pinecone | Weaviate | Qdrant |
|---|---|---|---|---|
| Modèle d’hébergement | Postgres managé (ou auto-hébergé) | SaaS entièrement managé | Managé ou auto-hébergé | Managé ou auto-hébergé |
| Dépendance au fournisseur | Faible (SQL standard) | Élevée (API propriétaire) | Moyenne | Moyenne |
| Dimensions max | 16 000 (pgvector 0.7+) | 20 000 | 65 535 | 65 535 |
| Recherche hybride (vecteur + filtre SQL) | Prise en charge native des JOIN | Filtrage de métadonnées limité | Basé sur GraphQL | Filtrage par payload |
| Offre gratuite (2026) | 500 Mo de stockage, 2 projets | 5 index, 100 000 vecteurs | 1 cluster bac à sable | 1 cluster gratuit |
| Tarif Pro | 25 $/mois (Postgres complet inclus) | 70 $/mois (1 M de vecteurs) | ~25 $/mois et plus | ~25 $/mois et plus |
| Latence (1 M de vecteurs, HNSW) | 10-30 ms | 5-15 ms | 10-25 ms | 8-20 ms |
| Open source | Oui (pgvector + Supabase) | Non | Oui | Oui |
| Embeddings Claude/OpenAI | Directement via les Edge Functions | Oui | Oui | Oui |
| Jointures avec les données relationnelles existantes | Natives | Non | Non | Non |
Le chiffre à retenir : Pinecone à 70 $/mois pour 1 million de vecteurs, contre Supabase Pro à 25 $/mois où la recherche vectorielle est incluse dans l’instance qui fait déjà tourner votre authentification, votre stockage et vos tables relationnelles. Ce calcul devient encore plus tranché à mesure que vous montez en charge.
Le rapport 2026 de Gartner sur l’infrastructure d’IA classe la fragmentation des bases vectorielles parmi les cinq principaux risques pour les équipes produit nativement IA. La crainte précise : migrer des embeddings entre services vectoriels propriétaires impose de réindexer chaque document, ce qui, à 10 millions de vecteurs, peut coûter des milliers d’euros rien qu’en appels d’API d’embedding.
Avec Supabase, vos données vivent dans du PostgreSQL standard. Vous pouvez les exporter, les déplacer ou lancer une instance auto-hébergée sans réécrire votre logique de requêtes.
Un client du portefeuille de Kreante (une plateforme edtech latino-américaine) avait besoin d’une recherche documentaire sémantique sur 40 000 ressources de cours en espagnol et en portugais. Les exigences : une recherche sous les 200 ms, un filtrage par matière et par langue, et aucun service vectoriel tiers qui viendrait compliquer sa politique de résidence des données.
La stack livrée par Kreante :
Résultat : une latence moyenne de requête de 45 ms sur 40 000 vecteurs, aucun coût d’infrastructure supplémentaire au-delà des 25 $/mois du plan Supabase Pro, et des données qui restent intégralement dans leur base existante.
C’est le schéma que Kreante reproduit d’un projet à l’autre : garder la stack unifiée et éviter de payer deux fois une infrastructure qui devrait déjà se parler.
Envie de savoir si cela s’applique à votre produit ? Réservez un appel de 30 minutes avec l’équipe Kreante.
Membre de l’Anthropic Claude Partner Network depuis avril 2026, Kreante utilise les modèles d’embedding de Claude par défaut sur ses nouveaux projets. Le déroulé :
Les embeddings de Claude gèrent bien le contenu multilingue sans modèle distinct par langue. Pour une plateforme qui sert des utilisateurs hispanophones, lusophones et anglophones, cela supprime à soi seul une couche d’infrastructure.
| Formule | Coût mensuel | Stockage vectoriel | Projets |
|---|---|---|---|
| Free | 0 $ | 500 Mo de base au total (vecteurs inclus) | 2 |
| Pro | 25 $ | 8 Go de base au total | Illimité |
| Team | 599 $ | Sur devis | Sur devis |
| Enterprise | Sur devis | Sur devis | Sur devis |
pgvector est inclus dans toutes les formules, sans surcoût.
Supabase + pgvector n’est pas le bon choix dans tous les cas :
Le projet ann-benchmarks (ann-benchmarks.com), mis à jour au premier trimestre 2026, montre que HNSW dans pgvector atteint plus de 95 % de rappel avec 10 requêteurs en parallèle sur des jeux de 1 million de vecteurs en distance cosinus. Le HNSW managé de Pinecone obtient une latence légèrement meilleure à rappel équivalent, surtout grâce à son architecture dédiée en mémoire. L’écart à 1 million de vecteurs est d’environ un facteur 2 en QPS brut, mais la plupart des charges d’applications web n’atteignent jamais les niveaux de concurrence où cet écart compte.
La conclusion pratique : si votre volume de requêtes au p99 reste sous les 50 requêtes par seconde, les performances de Supabase pgvector sont indiscernables de celles d’un service vectoriel dédié pour l’utilisateur final.
pgvector est une extension PostgreSQL open source qui ajoute un type de colonne vectorielle et des opérateurs de recherche approximative des plus proches voisins. Supabase inclut pgvector dans toutes ses formules : vous pouvez donc stocker vos embeddings et faire de la recherche sémantique à l’intérieur de votre base Postgres existante, sans service vectoriel séparé.
Les index HNSW de pgvector se comportent bien jusqu’à environ 5 à 10 millions de vecteurs sur une instance Supabase Pro, avant qu’il ne faille envisager un partitionnement ou une montée en gamme de calcul. Pour la plupart des applications en production, c’est largement suffisant.
Dans la majorité des cas d’usage, oui. Supabase Pro à 25 $/mois comprend l’intégralité de votre backend, et le stockage pgvector est facturé au tarif de stockage Postgres standard. Pinecone facture séparément par vecteur et par opération de lecture, ce qui grimpe vite au-delà de 500 000 vecteurs ou avec une fréquence de requêtes élevée.
Oui. Vous générez les embeddings via l’API Anthropic (ou n’importe quel fournisseur d’embeddings) et insérez le tableau de flottants obtenu dans votre colonne vectorielle Supabase. Il n’y a aucun couplage entre le modèle d’embedding et la base de données. Kreante est membre de l’Anthropic Claude Partner Network et utilise cette configuration sur ses projets clients.
HNSW construit un graphe navigable et offre des temps de requête plus rapides sans étape d’entraînement. IVFFlat regroupe les vecteurs en listes et exige une phase d’entraînement sur les données existantes, mais consomme moins de mémoire. Pour un projet démarré de zéro en 2026, HNSW est la recommandation par défaut.
Oui. Comme pgvector s’exécute à l’intérieur de PostgreSQL, vous pouvez combiner un tri par similarité vectorielle avec n’importe quel filtre SQL standard : clauses WHERE, JOIN, recherche plein texte via tsvector, ou toute combinaison de ces éléments.
text-embedding-3-small d’OpenAI produit 1536 dimensions par défaut (réductibles à 512). Pour la plupart des applications de recherche documentaire, 512 à 1536 dimensions offrent un bon équilibre entre précision et performance.
Vos embeddings et vos métadonnées sont stockés dans des tables PostgreSQL standard. Vous pouvez exporter les données avec un pg_dump classique, exécuter les mêmes requêtes sur n’importe quelle instance PostgreSQL où pgvector est installé, ou migrer vers une infrastructure auto-hébergée. Aucun format d’API propriétaire, aucune réindexation nécessaire.
Supabase + pgvector est le choix pragmatique pour la recherche sémantique en 2026 si vous utilisez déjà Postgres, si la maîtrise de vos données compte, ou si vous préférez une facture à quatre. Ce n’est pas l’option au débit le plus élevé aux échelles extrêmes, mais pour la couche applicative que la plupart des équipes produit construisent réellement, c’est assez rapide, assez économique et assez simple pour être le choix par défaut.
Les services vectoriels dédiés comme Pinecone ont du sens quand vous avez des dizaines de millions de vecteurs et des engagements de latence à la milliseconde. Pour tout le reste, garder la recherche à l’intérieur de votre base existante est le bon choix d’ingénierie.
Si vous voulez un second avis sur votre architecture de recherche vectorielle, ou une équipe pour la construire, réservez une consultation gratuite de 30 minutes avec Kreante.
Pour aller plus loin
Ne laissez pas votre veille s'arrêter ici. Explorez nos autres ressources pour maîtriser votre stack technologique.
DevelopmentVous recherchez une agence de conception de sites Web de restaurants qui comprend vraiment l'industrie alimentaire ? Les sites Web de restaurants d'aujourd'hui doivent aller au-delà de la beauté des designs pour proposer des systèmes fonctionnels qui stimulent les commandes en ligne et augmentent les revenus
DevelopmentLes petites entreprises sont confrontées à des défis uniques sur le marché numérique actuel. Les ressources limitées, l'expertise technique et les contraintes de temps les empêchent souvent de tirer parti des mêmes avantages technologiques dont bénéficient leurs concurrents les plus importants
DevelopmentDiscover No-code solutions to effortlessly create and grow your online store. Simplify your e-commerce journey today—read the article for practical insights