# Vectoriser ton coffre avec QMD (optionnel) > Source : [https://prisme.one/plateforme/ia-juillet-2026/semaine-1-vectoriser-coffre](https://prisme.one/plateforme/ia-juillet-2026/semaine-1-vectoriser-coffre) Installer QMD pour faire de la recherche sémantique dans tout ton vault — retrouver n'importe quelle info en moins d'une seconde. ## Vectoriser ton coffre avec QMD Vectoriser son coffre avec QMD Walkthrough : pourquoi vectoriser, install, et comment l'IA fouille dans toutes tes notes d'un coup. > Cette leçon est optionnelle. Ton système fonctionne parfaitement sans cette étape. Mais si tu as un gros coffre (100+ notes) et que tu veux que ton IA puisse fouiller dans toutes tes notes d'un coup, c'est un add-on très puissant. > Tu veux aller plus loin que QMD ? Si tu as des PDFs, des EPUBs, des docs Word, ou des données à partager en équipe, la section "Aller plus loin : le paysage RAG complet" en bas de cette leçon présente les autres options. --- ## Le problème Quand l'IA cherche une info dans ton coffre, elle ouvre des fichiers un par un et les lit en entier. Avec un petit coffre, ça marche. Mais quand tu as des centaines de notes : - Il ne peut lire que **10 à 15 notes** à la fois - Il gaspille des tokens en lisant des notes entières pour trouver 5% d'info utile - Il cherche par mots-clés exacts : s'il ne connaît pas le mot, il ne trouve rien ## La solution : la recherche sémantique **QMD** transforme toutes tes notes en **coordonnées mathématiques** (on appelle ça des "vecteurs"). Résultat : ton IA peut chercher par **sens**, pas juste par mots-clés, dans toutes tes notes en moins d'une seconde. Sans QMD Recherche : "gérer mon stress" Techniques de relaxation pour la prise de parole ✗ Aucun résultat (mots différents) Avec QMD Recherche : "gérer mon stress" Techniques de relaxation pour la prise de parole ✓ Trouvé ! (même sens) **Exemple :** tu cherches "comment gérer mon stress avant une présentation". Sans QMD, ton IA ne trouve rien si aucune note ne contient ces mots. Avec QMD, elle trouve ta note "Techniques de relaxation pour la prise de parole" parce qu'elle comprend que c'est la même idée. ### Avant vs après | Sans QMD | Avec QMD | | --- | --- | | L'IA lit 10-15 notes entières | L'IA interroge toutes tes notes | | Recherche par mots-clés uniquement | Recherche par sens + mots-clés | | Gaspillage de tokens | ~95% de tokens économisés | | Lent sur gros coffres | Résultats en moins d'une seconde | --- ## Prérequis QMD fait tourner de petits modèles d'IA localement (~2 Go). Il faut une machine correcte : - **RAM :** 8 Go minimum (16 Go recommandé) - **Processeur :** Mac M1+ ou Intel/AMD récent - **OS :** macOS ou Linux (Windows via WSL2) **Si ta machine est trop limitée** : pas de panique. Tu pourras toujours l'installer plus tard ou sur ton serveur (semaine 3). --- ## Installation ![Repo GitHub de QMD : moteur de recherche local pour tes documents](/images/ia-mars-2026/qmd-github.png) Ouvre OpenCode dans ton vault et donne-lui ce prompt : ``` J'aimerais que tu m'installes QMD (https://github.com/tobi/qmd) pour vectoriser mon coffre Obsidian et pouvoir faire de la recherche sémantique. Installe QMD, ajoute mon vault comme collection, lance l'indexation, et configure le MCP pour que tu puisses l'utiliser directement. Mon vault Obsidian est dans : [CHEMIN DE TON VAULT] ``` Remplace `[CHEMIN DE TON VAULT]` par le chemin réel de ton coffre (par exemple `/Users/tonnom/Documents/MonVault`). OpenCode va : 1. Installer QMD 2. Ajouter ton vault comme collection 3. Lancer l'indexation (quelques minutes la première fois) 4. Configurer le MCP 5. Tester avec une recherche --- ## Utiliser Une fois installé, tu n'as rien de spécial à faire. Quand tu poses une question, ton IA utilise QMD automatiquement pour chercher dans tes notes. ``` Retrouve ce que j'ai écrit sur la gestion de projet ``` ``` Quel est l'état de mon index QMD ? ``` ### Maintenir l'index à jour Quand tu ajoutes ou modifies des notes, il faut mettre à jour l'index. Tu peux soit le faire toi-même (`qmd embed` dans le terminal), soit demander à OpenCode : ``` Mets à jour l'index QMD de mon vault ``` QMD ne re-indexe que les fichiers modifiés : c'est rapide. --- --- ## Aller plus loin : le paysage RAG complet QMD couvre 90% des besoins pour un vault de notes Markdown. Mais il a des limites : il ne gère pas les PDFs, les EPUBs, les fichiers Word, et ce n'est pas conçu pour être partagé en équipe. Voici une carte du paysage pour que tu saches quoi utiliser selon ta situation. ### Quand QMD ne suffit plus Situation Problème avec QMD Solution recommandée Gros coffre de notes Markdown Aucun : c'est fait pour ça QMD ✓ PDFs, EPUBs, Word, thèses Ne lit que le Markdown Docling → QMD ou Qdrant Données partagées en équipe Index local seulement Qdrant sur serveur Relations entre concepts (graphe) Recherche vectorielle simple EdgeQuake (Graph-RAG) Tout en un (recherche + chat + reco) Pas d'interface utilisateur Trieve PDFs uniquement, usage desktop Pas d'interface graphique DocuMind --- ### Les briques : comprendre le pipeline RAG Un système RAG (Retrieval-Augmented Generation) se compose de plusieurs briques. QMD les fait toutes en une, pratique mais limité. Si tu veux aller plus loin, tu peux assembler les briques toi-même. Étape 1 : Parsing Convertir les documents en texte Docling (IBM) : PDF, EPUB, Word, PowerPoint, images Étape 2 : Chunking Découper en morceaux intelligents Chunkr : parsing + chunking en un service cloud Étape 3 : Vectorisation Transformer en vecteurs QMD (local), Qdrant (serveur), pg_vectorize (PostgreSQL) Étape 4 : Retrieval Chercher et injecter dans le contexte de l'IA MCP QMD, MCP Qdrant, API Trieve **QMD fait les étapes 3 et 4 pour du Markdown.** Pour du PDF ou de l'EPUB, il faut d'abord passer par l'étape 1 (Docling) avant. --- ### Les options en détail #### QMD : Le point d'entrée (ce qu'on vient d'installer) **Ce que c'est :** moteur de recherche sémantique local, conçu pour les notes Markdown. **Idéal pour :** ton vault Obsidian, uniquement des fichiers `.md`. **Limite principale :** ne gère pas les PDFs, EPUBs, fichiers Word. **Souveraineté :** 100% local, rien ne quitte ta machine. --- #### Docling : Le convertisseur universel de documents **Ce que c'est :** un SDK open-source créé par IBM (maintenant sous LF AI) qui convertit n'importe quel format de document en texte structuré exploitable par un RAG. **Formats supportés :** PDF, EPUB, Word (.docx), PowerPoint (.pptx), images avec OCR, HTML, Markdown. **Le cas d'usage type :** tu as des thèses en PDF, des rapports Word, des livres en EPUB. Tu les passes dans Docling, il ressort du Markdown propre. Tu ingères ce Markdown dans QMD (ou Qdrant). ``` # Installer Docling pip install docling # Convertir un PDF en Markdown docling ma-these.pdf --output ma-these.md # Convertir un dossier entier docling /dossier/avec/pdfs/ --output /dossier/markdown/ ``` Ensuite, tu ajoutes le dossier Markdown à ton index QMD normalement. > Astuce : Si tu as des EPUBs à vectoriser, la solution la plus simple reste Docling → Markdown → QMD. Pas besoin de solution RAG plus complexe. --- #### Qdrant : La base vectorielle sur serveur **Ce que c'est :** une base de données vectorielle haute performance, open-source, déployable sur ton propre serveur. **Différence avec QMD :** QMD est un index local sur ta machine. Qdrant est une base de données à part entière : plusieurs personnes peuvent l'interroger en même temps, depuis n'importe quelle machine. **Idéal pour :** - Vectoriser des documents d'équipe accessibles à tous - Des volumes importants (milliers de documents) - Intégrer la recherche sémantique dans une app ou un site **Setup typique :** Qdrant tourne sur ton serveur (via Docker), ton interface IA l'interroge via son MCP. ``` # Lancer Qdrant avec Docker docker run -p 6333:6333 qdrant/qdrant ``` > Chez Perspectives : Alexandre (dans la discussion) utilise Qdrant sur son serveur pour indexer ses cours en ligne et des livres de biologie. C'est le bon choix dès que tu veux partager l'index avec d'autres personnes. --- #### pg_vectorize : Si tu as déjà PostgreSQL **Ce que c'est :** une extension PostgreSQL qui ajoute la vectorisation directement dans ta base de données. **Idéal pour :** tu as déjà une app avec une base PostgreSQL (Supabase, NocoDB, etc.) et tu veux ajouter de la recherche sémantique sans déployer un nouveau service. **Avantage :** tout reste dans ta base de données existante. Pas de service supplémentaire à gérer. --- #### EdgeQuake : Graph-RAG pour les cas complexes **Ce que c'est :** un système RAG de type "graphe de connaissances", écrit en Rust pour la performance. **Différence avec un RAG classique :** un RAG vectoriel cherche "les chunks les plus proches sémantiquement". Un Graph-RAG comprend aussi les **relations entre les concepts** : il peut répondre à des questions comme "quels sont les liens entre le concept A et le concept B dans ma base de connaissance ?" **Idéal pour :** des corpus très riches où les connexions entre idées comptent autant que les idées elles-mêmes (bases de connaissance expert, documentation technique dense). **À retenir :** c'est la solution la plus puissante, mais aussi la plus complexe à mettre en place. À explorer quand QMD ou Qdrant ne suffisent plus. > Stack recommandée par Emmanuel Salomon pour des documents experts : Docling (parsing) → EdgeQuake (Graph-RAG) → PostgreSQL. --- #### Trieve : La plateforme RAG clé en main **Ce que c'est :** une plateforme full-stack qui combine recherche vectorielle, recommandations et interface de chat. Open-source et auto-hébergeable. **Idéal pour :** tu veux construire un moteur de recherche ou un chatbot basé sur tes documents, avec une interface utilisateur incluse, sans assembler toi-même les briques. **Différence avec Qdrant :** Qdrant est une brique (la base vectorielle). Trieve est un produit complet avec recherche, suggestions, analytics, et API prête à l'emploi. --- #### DocuMind : Pour les PDFs en mode desktop **Ce que c'est :** une application desktop (Mac, Windows, Linux) qui permet de faire du RAG sur des PDFs directement depuis ton ordinateur, sans serveur. **Idéal pour :** tu travailles principalement avec des PDFs et tu veux une interface graphique simple, sans toucher à un terminal. **Limite :** application desktop uniquement, pas de partage en équipe. --- ### Quel chemin prendre ? Uniquement des notes Markdown → **QMD** : c'est déjà fait dans cette leçon. PDFs, EPUBs, Word à vectoriser → **Docling** pour convertir en Markdown, puis **QMD** pour indexer. Pipeline en 2 commandes. Partager l'index avec une équipe → **Qdrant** sur ton serveur. Partagé, persistant, accessible depuis n'importe quelle machine. Application ou site avec recherche sémantique → **Trieve** (plateforme complète) ou **Qdrant** + ton propre front. Expertise métier dense avec relations entre concepts → **Docling → EdgeQuake → PostgreSQL**. La stack la plus puissante, la plus complexe. --- - Ma machine a la config minimum (8 Go RAM, Mac M1+ ou équivalent) - J'ai demandé à OpenCode d'installer QMD - L'indexation est terminée - J'ai testé une recherche dans OpenCode via QMD - (Optionnel) J'ai converti mes PDFs/EPUBs avec Docling et indexé le résultat dans QMD - (Optionnel) J'ai déployé Qdrant sur mon serveur pour un index partagé en équipe ## Vidéos - [Vectoriser son coffre avec QMD](https://www.loom.com/share/dab0cef6d37c4bc98a550b72b5808abf) — Loom --- Section : Installer ses outils IA