Recherche vectorielle chez Convex et Nhost : ce que le NL2SQL natif d'Aurabase fait de plus
Convex et Nhost ont tous deux ajouté de la recherche vectorielle à leur backend courant 2026. Aurabase couvre ce même terrain avec pgvector natif — et va plus loin avec un endpoint NL2SQL natif qui traduit une question en langage naturel en SQL validé par arbre syntaxique, exécuté en lecture seule. Voici ce qui distingue réellement les trois approches.
Aurabase : pgvector natif (3 classes de dimensions 768/1536/3072), RAG intégré via ragIngest()/rag(), et surtout un endpoint NL2SQL natif validé par arbre syntaxique. Convex et Nhost proposent tous deux une recherche vectorielle solide — mais aucun des deux n'expose de NL2SQL natif au sens strict : traduire une question en langage naturel en une requête SQL validée et bornée, exécutée en lecture seule.
Le différenciateur qu'aucun des deux concurrents ne couvre
L'endpoint NL2SQL d'Aurabase valide chaque requête générée par un LLM via un arbre syntaxique (crate sqlparser) : uniquement des SELECT, une liste de fonctions autorisées, une LIMIT bornée par défaut, et un rejet explicite des champs de schéma que le client tenterait d'usurper. Ce n'est pas un connecteur assemblé par-dessus le backend — c'est vérifié dans le code de aura-ai.
Convex n'a pas d'équivalent — sa base de données n'est pas SQL, la question ne se pose pas dans les mêmes termes. Nhost propose un assistant IA avec accès au schéma GraphQL, mais pas un endpoint NL2SQL exposé à vos utilisateurs finaux avec un contrat de sécurité documenté. Voir notre définition complète du NL2SQL et notre article sur la sécurisation contre l'injection SQL générée par un LLM.
pgvector natif, sans base vectorielle séparée à opérer
Aurabase embarque pgvector directement dans son image Postgres 16 tenant, avec un pipeline RAG natif — ingestion, chunking, embeddings, index HNSW par classe de dimension — exposé via deux appels API, ragIngest() et rag(). Voir notre tutoriel pipeline RAG complet.
Convex propose une recherche vectorielle intégrée solide, avec des composants RAG et Agent réutilisables et un support d'embeddings OpenAI configurable. Nhost génère et maintient automatiquement des embeddings vectoriels pour la recherche sémantique. Les trois plateformes couvrent ce terrain — la différence se joue sur ce qui vient après la recherche vectorielle, pas sur la recherche elle-même.
Trois clients natifs, pas un routeur générique
Aurabase intègre nativement OpenAI, Anthropic et Gemini — chacun avec un client dédié dans aura-ai, avec bascule automatique par circuit breaker en cas de panne d'un fournisseur. Voir notre article sur les fournisseurs natifs vs endpoints compatibles OpenAI pour le détail exact de cette distinction.