'/%3e%3cpath%20d='M83.8172%20112C100.688%20112%20111.886%2098.2694%20112%2083.8882H44.0245C25.8409%2083.8882%2016.001%2094.3169%2016.001%20112H83.8172Z'%20fill='url(%23paint1_linear_101_577)'/%3e%3cpath%20d='M44.1725%2044.1138H16.0008C15.9465%2051.0963%2018.504%2058.2306%2024.2977%2064.0225L44.1706%2083.8881L52.8986%2075.3569L61.7636%2066.7019C63.2767%2065.2244%2063.2786%2062.7888%2061.7636%2061.3094L44.1725%2044.1138Z'%20fill='%233A5FFF'/%3e%3cpath%20d='M83.8248%2083.8862H111.996C112.051%2076.9037%20109.493%2069.7693%20103.7%2063.9774L83.8267%2044.1118L75.0986%2052.6431L66.2337%2061.2981C64.7206%2062.7756%2064.7187%2065.2112%2066.2337%2066.6906L83.8248%2083.8862Z'%20fill='%233A5FFF'/%3e%3cdefs%3e%3clinearGradient%20id='paint0_linear_101_577'%20x1='16.001'%20y1='30.055'%20x2='111.998'%20y2='30.055'%20gradientUnits='userSpaceOnUse'%3e%3cstop%20stop-color='%2370ADFE'/%3e%3cstop%20offset='0.62'%20stop-color='%233A5FFF'/%3e%3c/linearGradient%3e%3clinearGradient%20id='paint1_linear_101_577'%20x1='111.998'%20y1='97.9451'%20x2='16.001'%20y2='97.9451'%20gradientUnits='userSpaceOnUse'%3e%3cstop%20stop-color='%2370ADFE'/%3e%3cstop%20offset='0.62'%20stop-color='%233A5FFF'/%3e%3c/linearGradient%3e%3c/defs%3e%3c/svg%3e)
Векторная база данных
Обычная база данных хорошо ищет по точным совпадениям и числовым диапазонам. Векторная база заточена под другой вопрос: «найди ближайшие точки к моему запросу в многомерном пространстве».
Что внутри
- Векторы фиксированной размерности (например, 768 или 1536).
- Метаданные: к какому документу относится вектор, какие у документа теги и атрибуты.
- Специальный индекс для приближённого поиска ближайших соседей (ANN).
- Фильтры по метаданным, чтобы сужать поиск (например, только документы своего отдела).
Что выбирают
- Pinecone, Weaviate, Qdrant, Milvus, Chroma — самостоятельные векторные базы.
- pgvector — расширение PostgreSQL, удобно если хочется одно решение для всех данных.
- Elasticsearch, OpenSearch — поддерживают векторный поиск рядом с обычным.
Когда применять и когда нет
Применять
- Строите RAG поверх своих документов
- Нужен семантический поиск или сравнение объектов по смыслу
- Хотите делать рекомендации «похожие на это»
Не применять
- Маленький объём данных, который помещается в обычный массив в памяти
- Задача чисто полнотекстового поиска без семантики
Примеры применения
Документация продукта на 10 000 страниц разбита на куски примерно по 500 токенов. Каждому куску посчитан эмбеддинг и записан в векторную базу вместе с ссылкой на исходный раздел. Когда сотрудник пишет в ассистент «как настроить уведомления», система за миллисекунды находит 5 наиболее близких кусков и отдаёт их большой модели для подготовки ответа.
Часто задаваемые вопросы
Для маленьких проектов — вполне. Можно держать эмбеддинги в обычной таблице и считать косинусную близость на лету. С ростом объёма это становится медленно, и тогда нужна либо специализированная база, либо расширение к PostgreSQL.
Elasticsearch исторически про полнотекстовый поиск по словам. Современные векторные базы — про поиск по смыслу через эмбеддинги. Сегодня обе категории сближаются: Elasticsearch и OpenSearch поддерживают векторный поиск, а специализированные векторные базы добавляют фильтрацию по метаданным.