Meilisearch est un moteur de recherche full text écrit en Rust, avec sa propre API HTTP, une tolérance aux fautes de frappe activée par défaut et des résultats triés par pertinence. La version 1.53.1 est sortie le 13 août 2026, le dépôt meilisearch/meilisearch compte environ 59 mille étoiles et la licence est mixte : MIT pour le cœur et Business Source License pour les modules Enterprise.
Ce que fait vraiment Meilisearch
Meilisearch prend des documents JSON, en construit un index et les expose via une API REST. Ce n'est pas une base de données où l'on conserve l'état de l'application. C'est un index secondaire qu'il faut alimenter depuis une vraie source de vérité et garder synchronisé. Si vous supprimez son répertoire de données, vous ne perdez aucune donnée métier, seulement le temps nécessaire pour réindexer.
Les écritures sont asynchrones. L'appel qui ajoute des documents renvoie une tâche avec un identifiant, et l'indexation proprement dite se fait dans une file d'attente en arrière-plan. Cela a deux conséquences. D'abord, un document n'est pas consultable immédiatement après l'écriture et vos tests doivent attendre la fin de la tâche. Ensuite, pour de gros jeux de données, il vaut mieux envoyer un gros lot plutôt que mille petits, car chaque changement de réglages ou chaque lot de documents crée une tâche distincte.
La pertinence est pilotée par une liste de règles de classement appliquées dans l'ordre, comme un tri par seaux. La liste par défaut dans la 1.53.1 ressemble à ceci : words, typo, proximity, attributeRank, sort, wordPosition, exactness. C'est un changement notable par rapport aux anciens articles, qui énumèrent six règles avec un seul attribute. La règle attribute est toujours acceptée quand vous enregistrez les réglages, mais l'ensemble par défaut la scinde désormais en deux : le rang de l'attribut et la position du mot à l'intérieur. Si vous copiez une configuration issue d'un tutoriel vieux de deux ans, vérifiez ce que renvoie réellement GET /indexes/:uid/settings.
La tolérance aux fautes est activée par défaut et pilotée par des seuils de longueur de mot. Par défaut, une faute est tolérée à partir de cinq caractères, et deux fautes à partir de neuf. Vous pouvez la désactiver globalement, pour certains mots, pour certains attributs, ou séparément pour les chaînes contenant des chiffres.
Ce que Meilisearch ne fait pas : il n'effectue pas de jointures entre index au sens SQL, il ne remplace pas une base de données transactionnelle et, à lui seul, il n'offre aucune haute disponibilité dans la version ouverte. La réplication et le sharding relèvent d'une autre histoire de licences, décrite plus bas.
Version, licence et santé du projet
Le projet est vivant. La version 1.53.1 est sortie le 13 août 2026, la dernière modification de la branche principale date du 14 août, le dépôt n'est pas archivé, il compte 2672 forks et 311 issues ouvertes. L'image getmeili/meilisearch sur Docker Hub a dépassé 48 millions de téléchargements.
La licence est l'endroit où cinq sources donnent trois réponses différentes : réglez donc la différence avant d'écrire quoi que ce soit dans votre registre de dépendances. Le fichier LICENSE du dépôt se termine par la ligne SPDX-License-Identifier: MIT AND BUSL-1.1. Le Cargo.toml à la racine déclare simplement license = "MIT" sous workspace.package. Le badge du README ne mentionne lui aussi que MIT. L'API de GitHub renvoie NOASSERTION pour ce dépôt, ce qui revient à reconnaître qu'elle ne sait pas le classer. Les clients des registres, c'est-à-dire meilisearch 0.60.0 sur npm et meilisearch 0.43.0 sur PyPI, sont du MIT simple, ce que confirme le fichier LICENSE à l'intérieur de l'archive publiée.
La situation réelle est la suivante : le cœur est sous MIT, et les fichiers marqués Enterprise Edition relèvent de la BSL 1.1 dans une version adaptée par Meili SAS. La concession d'usage supplémentaire de cette licence est sans ambiguïté : usage hors production uniquement, c'est-à-dire tests, développement et évaluation. L'usage en production exige un accord commercial. La licence de conversion, quatre ans après la publication d'une version donnée, est le MIT.
On peut vérifier précisément quels fichiers sont concernés, car chacun porte l'en-tête This file is part of Meilisearch Enterprise Edition (EE). Dans la 1.53.1, il y en a huit et ils couvrent trois domaines : le sharding dans crates/milli/src/sharding/enterprise_edition.rs, le réseau multi-nœuds avec la recherche fédérée qui le traverse, et les snapshots vers un stockage compatible S3. Autrement dit, tout ce qui est un seul processus sur une seule machine reste sous MIT. La mise à l'échelle horizontale et la réplication sont le domaine payant, même si le code est public dans le même dépôt.
Installation et premier index
Le démarrage le plus simple est un conteneur et deux appels curl.
# run with an admin key and a persistent data directory
docker run -d --name meili -p 7700:7700 \
-e MEILI_MASTER_KEY=change_this_key \
-v $PWD/meili_data:/meili_data \
getmeili/meilisearch:v1.53.1
# add documents, this returns a taskUid, not a ready index
curl -X POST 'http://localhost:7700/indexes/products/documents?primaryKey=id' \
-H 'Authorization: Bearer change_this_key' \
-H 'Content-Type: application/json' \
--data '[{"id":1,"name":"Down jacket","brand":"Nordkapp","price":499,"inStock":true}]'
# check whether the task has finished
curl 'http://localhost:7700/tasks?limit=1' \
-H 'Authorization: Bearer change_this_key'
# search with a typo in the query
curl -X POST 'http://localhost:7700/indexes/products/search' \
-H 'Authorization: Bearer change_this_key' \
-H 'Content-Type: application/json' \
--data '{"q":"donw jaket","limit":10,"showRankingScore":true}'La clé maîtresse donnée dans MEILI_MASTER_KEY sert à l'administration et ne doit jamais atteindre le navigateur. Pour la recherche côté client, vous générez une clé distincte avec l'action search, et pour les configurations multi-locataires un jeton de locataire supplémentaire avec un filtre intégré.
Le client JavaScript en 0.60.0 n'a aucune dépendance et exige Node ^20.19.0 || >=22.12.0. Il comporte aussi un piège de migration : la classe exportée s'appelle Meilisearch, et non MeiliSearch avec un S majuscule comme dans les anciens exemples. Il n'existe pas d'alias, donc l'ancien import donne simplement undefined.
import { Meilisearch } from 'meilisearch'
const client = new Meilisearch({
host: 'http://localhost:7700',
apiKey: process.env.MEILI_MASTER_KEY
})
const index = client.index('products')
// wait for the task, otherwise the test searches an empty index
await index.addDocuments(documents, { primaryKey: 'id' }).waitTask()
const results = await index.search('jaket', {
limit: 20,
filter: 'inStock = true AND price < 600',
sort: ['price:asc'],
attributesToHighlight: ['name'],
showRankingScore: true
})Les réglages d'index qui décident de la pertinence
La configuration par défaut donne des résultats corrects sur un petit jeu de données et s'effondre sur un grand. Trois réglages font la plus grande différence : l'ordre de searchableAttributes, la liste filterableAttributes et les limites de pagination.
{
"searchableAttributes": ["name", "brand", "description"],
"filterableAttributes": ["brand", "price", "inStock", "categories"],
"sortableAttributes": ["price", "createdAt"],
"rankingRules": [
"words",
"typo",
"proximity",
"attributeRank",
"sort",
"wordPosition",
"exactness"
],
"typoTolerance": {
"enabled": true,
"minWordSizeForTypos": { "oneTypo": 5, "twoTypos": 9 },
"disableOnWords": ["Nordkapp"],
"disableOnAttributes": ["sku"],
"disableOnNumbers": true
},
"pagination": { "maxTotalHits": 1000 },
"faceting": { "maxValuesPerFacet": 100 },
"searchCutoffMs": 150
}L'ordre de searchableAttributes n'est pas cosmétique. La règle attributeRank trie les résultats selon l'attribut dans lequel la correspondance est tombée, donc l'attribut listé en premier pèse le plus. Placer une longue description avant le nom du produit est la cause la plus fréquente de plaintes sur la qualité des résultats.
maxTotalHits vaut 1000 par défaut et constitue un plafond strict sur le nombre de résultats renvoyés, quelle que soit la pagination. Quand vous construisez un export ou un sitemap, vous devez le relever délibérément, sinon les données s'arrêtent simplement à mi-chemin. maxValuesPerFacet vaut 100 par défaut, ce qui, sur une facette de mille marques, donne une liste de filtres incomplète.
searchCutoffMs n'est pas défini par défaut, et le moteur utilise alors un seuil de 1500 millisecondes. Une fois le seuil franchi, la recherche renvoie ce qu'elle a réussi à calculer et ne signale aucune erreur. Si vous construisez une recherche au fil de la frappe, fixez une valeur plus basse, disons 100 à 200 millisecondes, car une réponse approximative livrée vite vaut mieux qu'une réponse exacte livrée après une seconde. Considérez les affirmations sur des temps de réponse inférieurs à cinquante millisecondes comme un objectif de conception plutôt qu'une garantie. Mesurez-les sur vos données, votre matériel et votre distribution de requêtes.
disableOnNumbers réglé sur true mérite une attention particulière dans les boutiques et les catalogues de pièces. Sans lui, une requête pour la référence 14520 correspondra à 14521, car elle est à une faute de distance.
Recherche vectorielle et hybride
La recherche sémantique est intégrée et ne nécessite pas de base vectorielle distincte. Vous la configurez via le réglage embedders, où chaque entrée a un nom et un champ source avec l'une de ces valeurs : openAi, huggingFace, ollama, userProvided, rest ou composite.
{
"embedders": {
"descriptions": {
"source": "openAi",
"model": "text-embedding-3-small",
"apiKey": "sk-...",
"dimensions": 1536,
"documentTemplate": "Product {{doc.name}} by {{doc.brand}}. {{doc.description}}",
"binaryQuantized": false
},
"own": {
"source": "userProvided",
"dimensions": 384
}
}
}Avec source réglé sur openAi, huggingFace, ollama ou rest, Meilisearch calcule lui-même les embeddings pendant l'indexation, ce qui signifie qu'il appelle une API externe et que vous payez chaque document traité. Avec userProvided, vous fournissez vous-même les vecteurs dans le champ réservé _vectors et le moteur ne les calcule jamais. C'est la seule variante où vous gardez le contrôle total du coût et du modèle qui produit les embeddings.
La recherche hybride est déclenchée par un objet hybrid dans la requête. Le champ embedder est obligatoire, et semanticRatio accepte des valeurs de zéro à un, où zéro signifie une correspondance purement par mots-clés et un une sémantique pure. La valeur par défaut est 0,5.
{
"q": "warm jacket for winter in the mountains",
"hybrid": { "embedder": "descriptions", "semanticRatio": 0.7 },
"limit": 20,
"filter": "inStock = true",
"showRankingScore": true,
"retrieveVectors": false
}Cela déplace la place de Meilisearch par rapport aux bases vectorielles. Si vous devez rechercher des produits ou des articles en s'appuyant à la fois sur les mots et sur le sens, un seul processus s'en charge et vous ne fusionnez jamais les résultats de deux systèmes. Si vous construisez plutôt un pipeline avec des millions de vecteurs, de la quantification, de nombreuses collections et le réglage de paramètres d'index approximatifs, un magasin dédié comme Qdrant ou Pinecone offre bien plus de contrôle. Meilisearch vise la recherche de produits enrichie de sémantique, pas le rôle de magasin vectoriel derrière un système RAG.
Quand Postgres suffit et quand il ne suffit pas
C'est la question importante dans ce domaine, et la réponse n'est pas « toujours un moteur distinct ». PostgreSQL dispose d'une recherche full text intégrée qui, pour des exigences raisonnables, suffit vraiment.
-- a generated column with weights, a GIN index and sorting by relevance
ALTER TABLE products ADD COLUMN search_vector tsvector
GENERATED ALWAYS AS (
setweight(to_tsvector('simple', coalesce(name, '')), 'A') ||
setweight(to_tsvector('simple', coalesce(description, '')), 'B')
) STORED;
CREATE INDEX products_search_idx ON products USING GIN (search_vector);
SELECT id, name, ts_rank(search_vector, query) AS rank
FROM products, websearch_to_tsquery('simple', 'down jacket') AS query
WHERE search_vector @@ query AND in_stock
ORDER BY rank DESC
LIMIT 20;Ce code fonctionne, il est transactionnel, il n'exige aucune synchronisation et n'ajoute aucun service à exploiter. Restez-y si les requêtes sont des mots entiers, si les utilisateurs les orthographient correctement et si les résultats peuvent être triés par une mesure de pertinence simple.
Trois choses poussent vers un moteur distinct. La première, ce sont les fautes de frappe. Postgres n'en tolère aucune par défaut, car tsquery compare exactement les lexèmes. L'extension pg_trgm permet de calculer une similarité par trigrammes, mais c'est un mécanisme distinct qu'il faut tisser à la main dans tsvector, et la requête qui en résulte, avec deux index et un score combiné artificiellement, devient vite difficile à maintenir. La deuxième, c'est la recherche au fil de la frappe. Les préfixes dans Postgres se font via to_tsquery('jack:*'), qui cesse de se comporter raisonnablement dès qu'on le combine avec des fautes et plusieurs mots. Meilisearch construit des structures de préfixes pendant l'indexation, contrôlées par le réglage prefixSearch dont la valeur par défaut est indexingTime. La troisième, c'est la latence. Une requête avec ts_rank doit noter chaque ligne correspondante avant de trier : pour les requêtes larges, le coût croît donc avec le nombre de résultats correspondants plutôt qu'avec le nombre de résultats renvoyés.
Il existe aussi une voie intermédiaire. Si vous tournez déjà sur Supabase ou un autre Postgres hébergé, ajouter pg_trgm à côté de pgvector est un compromis correct sans nouveau service. Le coût d'un moteur distinct ne se limite pas au serveur : il comprend le pipeline de synchronisation, la gestion de la dérive des données et la réindexation après chaque changement de schéma.
Meilisearch face aux alternatives
| Solution | Modèle de déploiement | Fautes de frappe | Vecteurs | Quand la choisir |
|---|---|---|---|---|
| Meilisearch | un seul processus, MIT plus modules BSL | activée par défaut, seuils configurables | intégrés, mode hybride | recherche dans le produit, recherche au fil de la frappe |
| PostgreSQL avec tsvector | extension dans la base existante | seulement via pg_trgm, à la main | via pgvector | source de vérité unique, requêtes simples |
| Elasticsearch | cluster JVM, AGPLv3 ou ELv2 ou SSPL | requête fuzzy, à la main | champ dense et kNN | logs, analytique, agrégations complexes |
| Qdrant | service distinct, Apache 2.0 | pas de full text avec tolérance | le cœur du produit | grande échelle vectorielle, systèmes RAG |
| Algolia | service fermé uniquement | activée par défaut | intégrés | aucune équipe pour exploiter l'infrastructure |
Face à Elasticsearch, la différence tient à l'objectif. Elasticsearch est un système distribué pour plusieurs tâches à la fois, avec agrégations et analytique de logs, et il exige le réglage du tas JVM et la planification des shards. Meilisearch est un binaire unique qui vous donne une bonne recherche de catalogue en une heure, mais il ne deviendra pas votre entrepôt d'événements. Face à Redis avec son module de recherche, la différence tient à la durabilité et au modèle de données, car Redis reste avant tout un magasin en mémoire.
Cloud, édition Enterprise et coûts
Exécuter le cœur vous-même est gratuit et sans restriction de fonctionnalités, tant que vous ne touchez pas aux modules Enterprise. Meilisearch Cloud est le service géré, et ici il vaut la peine de lire attentivement la page des tarifs, car elle donne deux chiffres différents à deux endroits.
Le titre de l'offre Cloud dit « à partir de 20 dollars par mois ». L'estimateur de coût de la même page, dans sa position initiale, affiche autre chose : une facturation basée sur les ressources à partir de 23 dollars par mois pour une instance XS avec un demi-cœur virtuel et un gigaoctet de mémoire, composée de 18 dollars pour l'instance et 5 dollars pour 32 gibioctets de disque, plus une facturation à l'usage à partir de 30 dollars par mois pour une offre de base couvrant 100 mille documents et 50 mille recherches. Je ne parviens pas à concilier le 20 et le 23, donc je cite les deux et je vous suggère de faire tourner l'estimateur avec vos propres chiffres avant de planifier un budget. L'essai dure 14 jours et ne demande pas de carte.
L'offre Enterprise n'a pas de prix publié. Les fonctionnalités listées sont une garantie de disponibilité allant jusqu'à 99,999 pour cent, un canal de support dédié, l'authentification unique par SAML, la conformité SOC 2 Type II, des analyses avancées des clics et des conversions, la personnalisation des résultats, des règles de recherche dynamiques, ainsi que le sharding avec la réplication. Ce dernier point est la même fonctionnalité que vous trouverez dans le dépôt sous forme de fichiers Enterprise Edition sous BSL. La conclusion pratique : si la haute disponibilité de la recherche est une exigence, la version gratuite ne vous la donnera pas, et la contourner en exécutant vous-même le code des répertoires Enterprise serait un usage en production interdit par la licence.
C'est un vrai risque de dépendance (lock-in) et il vaut mieux le nommer ouvertement. Vous pouvez exécuter le cœur sur votre propre matériel pour toujours, mais la voie de croissance au-delà d'une seule machine mène soit à un accord commercial, soit au cloud de l'éditeur.
Erreurs fréquentes
Traiter les écritures comme synchrones. Un test qui ajoute un document et cherche immédiatement sera instable. Attendez toujours la fin de la tâche.
Exposer la clé maîtresse dans le code client. La clé de MEILI_MASTER_KEY peut supprimer des index. Seule une clé avec l'action de recherche a sa place dans le navigateur, et pour plusieurs clients un jeton de locataire avec un filtre intégré.
Laisser maxTotalHits à sa valeur par défaut pour les exports et les sitemaps. Mille résultats est un plafond, pas une suggestion.
Copier la liste rankingRules depuis d'anciens documents. L'ensemble par défaut dans la 1.53.1 compte sept entrées avec attributeRank et wordPosition, et non six avec attribute.
Activer la tolérance aux fautes sur des champs d'identifiants. Les références de pièces et les codes SKU ont besoin de disableOnAttributes ou de disableOnNumbers, sinon la recherche suggérera le numéro voisin.
Consigner du MIT simple dans le registre de dépendances. La description correcte est MIT AND BUSL-1.1, d'après le fichier de licence, même si Cargo.toml et le badge du README disent autre chose.
Supposer que le mode hybride est gratuit à tous égards. Le code est sous MIT, mais avec toute source autre que userProvided, chaque exécution d'indexation génère des appels à une API d'embeddings payante.
FAQ
Meilisearch est-il sous licence MIT ?
Le cœur l'est, mais pas le projet entier. Le fichier de licence du dépôt déclare MIT AND BUSL-1.1. Huit fichiers marqués Enterprise Edition, couvrant le sharding, le réseau multi-nœuds et les snapshots S3, relèvent de la Business Source License 1.1, qui n'autorise que l'usage hors production. Quatre ans après la publication d'une version donnée, ces fichiers passent sous MIT.
Meilisearch remplacera-t-il Postgres pour moi ?
Non, car c'est un index secondaire sans transactions et sans rôle de source de vérité. Il remplace en revanche la recherche dans Postgres quand vous avez besoin de tolérance aux fautes, de correspondance de préfixes pendant que l'utilisateur tape et d'une latence prévisiblement basse qui ne croît pas avec le nombre de résultats.
Existe-t-il une recherche vectorielle et hybride ?
Oui, les deux. Les embeddings se configurent via le réglage embedders, et une requête hybride via l'objet hybrid avec les champs embedder et semanticRatio. Une valeur de 0 donne une correspondance purement par mots-clés, 1 une sémantique pure, et la valeur par défaut est 0,5.
Quelles fonctionnalités sont payantes uniquement ?
La haute disponibilité par réplication et sharding, les snapshots vers un stockage S3 et, côté cloud, en plus l'authentification SAML, l'analyse des clics, la personnalisation et les règles de recherche dynamiques. Tout le reste, y compris la recherche hybride et le multi-locataire, se trouve dans la version ouverte.
Combien coûte Meilisearch Cloud ?
Le titre de la page des tarifs dit 20 dollars par mois, tandis que son estimateur en position initiale affiche 23 dollars pour la plus petite instance en facturation basée sur les ressources et 30 dollars pour l'offre de base en facturation à l'usage. L'écart se trouve dans la page des tarifs elle-même : faites donc passer votre propre cas dans l'estimateur avant de décider.
Puis-je exécuter Meilisearch sur plusieurs nœuds gratuitement ?
Pas d'une manière conforme à la licence. Le code du réseau multi-nœuds et du sharding est public mais couvert par la BSL, qui interdit l'usage en production. Pour la version gratuite, le plan réaliste est une seule instance avec des snapshots et des reconstructions rapides de l'index à partir de la source de vérité.