VectorStoreInterface

L'interface VectorStoreInterface est le socle du système de RAG (Retrieval-Augmented Generation) dans Synapse Core. Elle définit comment stocker et rechercher des informations "vectorisées" (embeddings) pour donner une mémoire long-terme à votre IA.

🛠 Pourquoi l'utiliser ?

• Mémoire illimitée : Permet à l'IA d'accéder à des milliers de documents sans saturer la fenêtre de contexte.
• Recherche sémantique : Trouve des informations basées sur le sens plutôt que sur des simples mots-clés.
• Performances : Délègue la recherche complexe à des moteurs spécialisés (Pinecone, Weaviate, PostgreSQL avec pgvector).

📋 Résumé du Contrat

🚀 Exemple : Implémentation simplifiée en mémoire

```php
namespace App\Synapse\Vector;

use ArnaudMoncondhuy\SynapseCore\Contract\VectorStoreInterface;

class InMemoryVectorStore implements VectorStoreInterface
{
    private array $storage = [];

    public function saveMemory(array $vector, array $payload): void
    {
        $this->storage[] = [
            'vector'  => $vector,
            'payload' => $payload,
        ];
    }

    public function searchSimilar(array $vector, int $limit = 5, array $filters = []): array
    {
        // Ici, vous implémenteriez un calcul de similarité cosinus.
        return array_slice($this->storage, 0, $limit);
    }
}
```

💡 Conseils d'implémentation

[!TIP] Métadonnées : La méthode add reçoit un champ metadata. Utilisez-le pour stocker le texte source ou l'URL du document original. Cela facilitera l'affichage des sources par l'IA.

• Identifiants : Gérez soigneusement les IDs pour éviter les doublons lors de la mise à jour de vos documents.
• Dimensionalité : Assurez-vous que votre Store accepte la même dimension de vecteur que celle générée par votre EmbeddingClientInterface (ex: 1536 pour OpenAI).