Veynrel place la bonne note en première position pour 3 requêtes sur 3

La recherche classique dans les notes échoue au moment le plus familier : on se souvient de l'idée, mais ni de la formulation exacte ni du nom du fichier. La requête « comment s'auto-évaluer sans support de cours » n'a aucune raison de contenir les mots de la note « Répétition de la réponse orale ». Une recherche par correspondance de chaînes peut donc ne rien renvoyer, alors que le contenu voulu se trouve juste à côté.

Le plugin Veynrel pour Obsidian résout ce problème grâce à la recherche sémantique. Il convertit au préalable des fragments de notes en représentations numériques — des embeddings —, enregistre un index, puis compare à cet index une question posée avec des mots ordinaires. Dans le cadre d'une petite expérience menée par l'auteur, BGE-M3 a placé la bonne note en première position pour trois requêtes sur trois. C'est un résultat utile, mais pas encore un véritable test comparatif.

À quoi cela ressemble sur un exemple simple

Pour vérifier cela, l'auteur a constitué un coffre pédagogique de 16 notes fictives : sujets d'examen, exercices et plans de révision. Il a ensuite posé trois questions dont la formulation différait du texte des fichiers recherchés. Par exemple, une requête sur une courbe qui « monte et descend » devait mener au sujet sur la croissance et la décroissance d'une fonction.

La recherche intégrée d'Obsidian n'a pas trouvé ce fichier à partir de deux mots choisis. MiniLM en local a placé la bonne note en quatrième position, BGE-M3 en première. Plus parlante encore, la requête demandant pourquoi une permutation change le mot de passe : la note d'origine ne contenait pas le mot « permutation ». La recherche par mots est restée impuissante, tandis que la recherche sémantique a relié la description d'un changement d'ordre des caractères à la question.

Trois configurations ont été testées. MiniLM fonctionnait en local via ONNX et a placé les bons fichiers aux positions 1, 4 et 1. BGE-M3 dans le cloud via OpenRouter et BGE-M3 en local via Ollama ont donné les positions 1, 1 et 1. Pour Ollama, un index distinct de 19 vecteurs de 1024 composantes a été construit. Avec cette configuration, les notes n'ont pas quitté l'ordinateur.

Pas seulement de la recherche

Veynrel propose un mode Health qui vérifie localement la structure du coffre. Dans le dossier de démonstration, il a détecté un lien volontairement laissé vers une note inexistante, ainsi qu'une copie exacte d'un autre fichier. Cette vérification ne nécessite ni modèle de langage ni clé API.

Le mode Recall génère des cartes de révision à partir de questions et de réponses rédigées en Markdown. L'utilisateur découvre la réponse, évalue dans quelle mesure il s'en souvenait, et le plugin programme la prochaine révision. Studio enregistre des scénarios de traitement de texte, tandis que l'intégration Companion permet à un agent d'IA de lire des copies synchronisées des notes et de proposer des modifications. L'écriture des changements reste sous le contrôle de l'utilisateur.

Ce qu'il faut vérifier avant de l'adopter

Trois requêtes et 16 notes préparées ne prouvent pas que BGE-M3 l'emportera sur un coffre réel de milliers de fichiers hétérogènes. L'auteur précise lui-même que le classement peut changer sur un autre dossier. On ne peut pas non plus comparer directement les scores de proximité numériques de modèles différents. Dans l'exemple présenté, le rerank n'a pas amélioré la première place : la bonne note était déjà en tête.

La confidentialité pose aussi question. Avec OpenRouter, des fragments de notes sont envoyés à un fournisseur externe. Pour des données confidentielles, il est plus judicieux de commencer par une configuration locale : installer Ollama, télécharger bge-m3, indiquer l'adresse http://127.0.0.1:11434 et construire un nouvel index. Le modèle occupe environ 1,2 Go ; mieux vaut donc vérifier au préalable l'espace disque et la mémoire.

La conclusion pratique est simple : la recherche sémantique est utile quand on se souvient mieux du sens que du nom du fichier. Mais il est trop tôt pour choisir un modèle sur la base de trois jolis succès. Rassemblez d'abord 20 à 50 requêtes réelles tirées de votre propre historique, notez les notes attendues et comparez les positions des résultats. On verra alors si le nouvel index justifie son coût en mémoire, sa latence et un éventuel transfert de données vers le cloud.