Чем векторная база отличается от Elasticsearch?

Elasticsearch исторически решает задачу полнотекстового поиска по словам и их формам, а векторные базы — поиска по смыслу через эмбеддинги. Сегодня категории сближаются: Elasticsearch и OpenSearch умеют искать по векторам, а специализированные векторные базы добавляют фильтрацию по метаданным. Выбор чаще определяется тем, что у вас уже развёрнуто.

Искусственный интеллектLLMИнструмент ИИ

Векторная база данных

Хранилище, оптимизированное под быстрый поиск ближайших векторов — основа RAG-систем и семантического поиска.

КРАТКО

Векторная база данных хранит эмбеддинги и умеет быстро отвечать на вопрос «какие N векторов ближе всего к данному». Это базовая инфраструктура для семантического поиска, RAG, рекомендаций и поиска похожих объектов. Под капотом — специальные индексы вроде HNSW или IVF. Примеры — Pinecone, Weaviate, Qdrant, pgvector, Milvus, Chroma.

СИНОНИМЫ:векторная база данныхвекторная БДвекторное хранилищеVector database

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 метки 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

Строите RAG поверх своих документов
Нужен семантический поиск или сравнение объектов по смыслу
Хотите делать рекомендации «похожие на это»

КОГДА НЕ СТОИТ

Маленький объём данных, который помещается в обычный массив в памяти
Задача чисто полнотекстового поиска без разбора смысла

ПРИМЕР

Документация продукта на 10 000 страниц разбита на куски примерно по 500 токенов. Каждому куску посчитан эмбеддинг и записан в векторную базу вместе со ссылкой на исходный раздел. Когда сотрудник пишет ассистенту «как настроить уведомления», система за миллисекунды находит 5 наиболее близких кусков и отдаёт их большой языковой модели для подготовки ответа.

КАК ИСПОЛЬЗОВАТЬ В SHTAB

Если только начинаете и не уверены в нагрузке — берите pgvector внутри PostgreSQL, которая у вас уже есть. Так не придётся поднимать новый сервис, настраивать резервные копии и осваивать отдельный язык запросов. Перейти на самостоятельную векторную базу можно потом, когда упрётесь в потолок производительности.

Попробовать бесплатно

Вопросы про «Векторная база данных»

Для небольших проектов — вполне. Эмбеддинги можно держать в обычной таблице и считать косинусную близость на лету. С ростом объёма такой перебор становится слишком медленным, и тогда нужен либо специализированный движок, либо расширение pgvector поверх уже имеющейся PostgreSQL. Порог зависит от числа векторов и требований к времени ответа.

Ещё из «Искусственный интеллект»

Вся категория →

MCP (Model Context Protocol, протокол контекста модели)

Открытый протокол, по которому языковые модели и агенты единообразно подключаются к внешним инструментам, данным и сервисам.

MLOps (эксплуатация ML-моделей)

Практики и инструменты для разработки, выкатки и эксплуатации моделей машинного обучения и ИИ в боевой среде — аналог DevOps для машинного обучения.

RAG (поиск с дополнением генерации)

Подход, при котором перед ответом языковая модель ищет подходящие документы в базе знаний и использует их как контекст.

Применяйте термины на практике

База знаний, задачи и цели — в одном сервисе. Бесплатно — без лимита по числу людей.

Попробовать бесплатно Все термины