Pour les développeurs

Intégrations Vela

Branchez Vela sur votre pile existante : SDK officiels, fournisseurs d'embeddings, sources de données et outils d'observabilité. L'index reste interrogeable pendant toute la mise en place.

Principe

Une API, quatre verbes

Vela expose une API HTTP unique : créer un index, écrire des vecteurs, interroger par similarité, supprimer. Tout le reste consiste à relier cette API à vos outils.

Vous produisez les embeddings avec le modèle de votre choix. Vela les indexe, applique vos filtres par métadonnées et renvoie les k plus proches voisins. Les SDK officiels couvrent la pagination, les reprises et les lots.

SDK Python, TypeScript, Go et Rust

Compatible avec tout fournisseur d'embeddings

Réindexation sans interruption de service

Schéma de connexion Vela

12 ms

Latence p99

Temps de réponse au 99e centile pour une requête k-NN, filtres par métadonnées inclus.

1 Md

Vecteurs par index

Un index accepte jusqu'à 1 milliard de vecteurs, répartis automatiquement en shards.

99,2 %

Rappel mesuré

Rappel de l'index HNSW comparé à une recherche exhaustive sur le même jeu de vecteurs.

4096

Dimensions maximales

Les vecteurs peuvent aller jusqu'à 4096 dimensions, quel que soit le modèle d'embedding.

Mise en place

Quatre étapes de connexion

Du premier appel d'API à la mise en production observée, chaque étape se branche indépendamment.

Étape 1

Installer un SDK

Installez le client officiel dans votre langage, déclarez une clé d'API et créez un premier index en précisant la dimension et la métrique de similarité.

SDK Python, TypeScript, Go et Rust
API HTTP pour les autres langages
Similarité cosinus ou produit scalaire
Namespaces pour cloisonner les données

~5 min jusqu'au premier index

Étape 2

Brancher un modèle d'embedding

Vela indexe les vecteurs que vous lui envoyez. Le modèle reste votre choix : API hébergée ou modèle open-source exécuté sur votre infrastructure.

OpenAI, Cohere, Mistral
Modèles open-source auto-hébergés
Jusqu'à 4096 dimensions par vecteur
Embeddings multilingues sur 40 langues

1 champ à déclarer à la création de l'index

Étape 3

Alimenter l'index

Chargez l'historique depuis vos systèmes de stockage, puis maintenez l'index à jour par flux. Les écritures et les requêtes cohabitent sans verrou.

Import initial depuis S3 ou Postgres
Mise à jour continue via Kafka
Webhooks pour les écritures unitaires
Réindexation en tâche de fond

1 Md de vecteurs par index

Étape 4

Interroger et observer

Les requêtes k-NN partent de votre application ou d'un framework RAG. Les traces et les métriques sont exportées vers vos outils habituels.

Requêtes k-NN avec filtres par métadonnées
Chaînes RAG via LangChain ou LlamaIndex
Traces au format OpenTelemetry
Métriques de latence p50/p99 vers Datadog

12 ms de latence p99 mesurée

Clients

Les SDK officiels

Quatre clients maintenus par notre équipe, avec la même surface d'API et les mêmes garanties de reprise.

SDK Python

Client synchrone et asynchrone, écritures par lots et intégration directe avec les frameworks RAG.

SDK TypeScript

Types générés depuis le schéma de l'API, compatible Node.js et environnements edge.

SDK Go

Pool de connexions, contextes annulables et instrumentation OpenTelemetry activable.

SDK Rust

Client sans allocation superflue pour les chemins de requête à forte cadence.

Écosystème

Familles d'intégrations

Quatre catégories d'outils se connectent à Vela, du calcul des embeddings jusqu'à la supervision.

Fournisseurs d'embeddings

Vela accepte les vecteurs produits par n'importe quel modèle, hébergé ou exécuté chez vous.

OpenAI et Cohere
Mistral
Modèles open-source auto-hébergés

Frameworks RAG

Vela s'utilise comme magasin de vecteurs dans les chaînes de génération augmentée par récupération.

LangChain
LlamaIndex
Appels directs à l'API HTTP

Sources de données

Alimentez un index depuis vos systèmes existants, en import initial puis en flux continu.

S3 et stockages compatibles
Postgres et Kafka
Webhooks entrants

Observabilité

Chaque requête est tracée : latence p50/p99, rappel estimé et volume de vecteurs par shard.

OpenTelemetry
Datadog
Export Prometheus

Exploitation

Ce que l'intégration vous laisse piloter

Une fois la connexion établie, quatre leviers restent entre vos mains pour ajuster le comportement de l'index.

Filtres par métadonnées

Restreignez une requête k-NN par attribut, langue ou date sans dégrader la latence.

Réglage du compromis HNSW

Arbitrez entre rappel et latence p99 par index, sans reconstruire les données.

Namespaces et clés d'API

Cloisonnez les jeux de vecteurs par environnement ou par locataire dans un même index.

Réindexation planifiée

Changez de modèle d'embedding et reconstruisez l'index pendant que les requêtes continuent.

Une intégration manquante ?

Décrivez votre pile à contact@vela.dev. Les guides pas à pas sont publiés sur docs.vela.dev.

Nous contacter

Prêt à brancher Vela sur votre pile ?

Créez un index, envoyez vos premiers vecteurs et mesurez la latence depuis vos propres services.

Découvrir le produit Consulter les tarifs