La base de donnees edge-AI pour les agents
Concue en Europe

%% Ouvrez une base. Le texte est transforme en vecteur a l'ecriture.
{ok, _} = barrel:open(<<"notes">>, #{embedding => #{provider => openai}}).

%% Une seule ecriture stocke le document, son vecteur et ses blobs sous un id.
{ok, _} = barrel:put_doc(<<"notes">>, #{
    <<"id">>    => <<"n1">>,
    <<"title">> => <<"Design review">>,
    <<"text">>  => <<"Ship the edge sync protocol">>
}).

%% Interrogez la couche documentaire avec BQL.
{ok, Rows, _} = barrel:query(<<"notes">>,
    <<"SELECT id, title FROM db WHERE title LIKE 'Design%'">>).

%% Cherchez dans la couche vectorielle, sur les memes enregistrements.
{ok, Hits, _} = barrel:query(<<"notes">>,
    <<"SELECT id, _score FROM vector_top_k('edge sync', k => 5) AS v">>).

# Lancez barrel_server pour une surface REST/JSON et MCP sur la meme base.
$ curl -X PUT localhost:8080/db/notes
{"ok":true,"db":"notes"}

$ curl -X PUT localhost:8080/db/notes/doc/n1 \
    -H 'content-type: application/json' \
    -d '{"title":"Design review","text":"Ship the edge sync protocol"}'
{"id":"n1","ok":true,"rev":"0000019f46b4c08900000000@8c0010c983917d4b"}

# Recherche vectorielle sur les memes enregistrements.
$ curl -X POST localhost:8080/db/notes/search/vector \
    -H 'content-type: application/json' -d '{"vector":[...],"k":5}'

# Les agents parlent MCP sur le meme endpoint.
$ curl -X POST localhost:8080/mcp -H 'content-type: application/json' -d '{...}'