[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"general-list":3,"footer-feature-tags":4,"slate-glossary-term-vector-database":66},true,[5,14,20,29,34,40,46,52,56,62],{"id":6,"name":7,"hex":8,"translations":9,"count_pages":13},8,"Компания","#f40925",{"ru":10,"en":11},{"name":7},{"name":12},"Company",9,{"id":15,"name":16,"hex":17,"translations":18,"count_pages":6},26,"Главная страница",null,{"ru":19},{"name":16},{"id":21,"name":22,"hex":23,"translations":24,"count_pages":28},2,"Проекты","#3027ff",{"ru":25,"en":26},{"name":22},{"name":27},"Project",15,{"id":30,"name":31,"hex":17,"translations":32,"count_pages":21},33,"ИИ",{"ru":33},{"name":31},{"id":35,"name":36,"hex":17,"translations":37,"count_pages":39},34,"Комментарии",{"ru":38},{"name":36},4,{"id":41,"name":42,"hex":17,"translations":43,"count_pages":45},25,"Задачи",{"ru":44},{"name":42},24,{"id":47,"name":48,"hex":17,"translations":49,"count_pages":51},27,"Рабочие пространства",{"ru":50},{"name":48},3,{"id":45,"name":53,"hex":17,"translations":54,"count_pages":6},"Kanban-доска",{"ru":55},{"name":53},{"id":57,"name":58,"hex":17,"translations":59,"count_pages":61},23,"Диаграмма Ганта",{"ru":60},{"name":58},1,{"id":28,"name":63,"hex":17,"translations":64,"count_pages":61},"Календарь",{"ru":65},{"name":63},{"detail":67,"more":145},{"id":68,"slug":69,"translations":70,"category":84,"tags":92,"letter":111,"og_image":17,"cover":17,"author_name":17,"author_position":17,"author_avatar":17,"faqs":112,"related":126,"views_count":142,"helpful_yes_count":115,"helpful_no_count":115,"created_at":143,"updated_at":144,"published_at":17},279,"vector-database",{"ru":71},{"title":72,"short_definition":73,"tldr":74,"full_explanation":75,"when_to_apply":76,"when_not_to_apply":77,"examples":78,"tips":79,"synonyms":80,"translation_en":81,"seo_title":82,"seo_description":83},"Векторная база данных","Хранилище, оптимизированное под быстрый поиск ближайших векторов — основа RAG-систем и семантического поиска.","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.","\u003Cp>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».\u003C\u002Fp>\u003Ch3>Что внутри\u003C\u002Fh3>\u003Cul>\u003Cli>Векторы фиксированной размерности (например, 768 или 1536).\u003C\u002Fli>\u003Cli>Метаданные: к какому документу относится вектор, какие у документа метки и атрибуты.\u003C\u002Fli>\u003Cli>Специальный индекс для приближённого поиска ближайших соседей (ANN).\u003C\u002Fli>\u003Cli>Фильтры по метаданным, чтобы сужать поиск (например, только документы своего отдела).\u003C\u002Fli>\u003C\u002Ful>\u003Ch3>Что выбирают\u003C\u002Fh3>\u003Cul>\u003Cli>\u003Cstrong>Pinecone, Weaviate, Qdrant, Milvus, Chroma\u003C\u002Fstrong> — самостоятельные векторные базы.\u003C\u002Fli>\u003Cli>\u003Cstrong>pgvector\u003C\u002Fstrong> — расширение PostgreSQL, удобно, если хочется одно решение для всех данных.\u003C\u002Fli>\u003Cli>\u003Cstrong>Elasticsearch, OpenSearch\u003C\u002Fstrong> — поддерживают векторный поиск рядом с обычным.\u003C\u002Fli>\u003C\u002Ful>","\u003Cul>\u003Cli>Строите RAG поверх своих документов\u003C\u002Fli>\u003Cli>Нужен семантический поиск или сравнение объектов по смыслу\u003C\u002Fli>\u003Cli>Хотите делать рекомендации «похожие на это»\u003C\u002Fli>\u003C\u002Ful>","\u003Cul>\u003Cli>Маленький объём данных, который помещается в обычный массив в памяти\u003C\u002Fli>\u003Cli>Задача чисто полнотекстового поиска без разбора смысла\u003C\u002Fli>\u003C\u002Ful>","\u003Cp>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.\u003C\u002Fp>","\u003Cp>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.\u003C\u002Fp>","векторная база данных, векторная БД, векторное хранилище, Vector database","Vector Database","Векторная база данных — что это и зачем нужна | Глоссарий Shtab","Векторная база данных хранит эмбеддинги и ищет ближайших соседей. Где применяется (RAG, поиск, рекомендации), какие выбирают, советы по запуску.",{"id":85,"slug":86,"hex":87,"icon":17,"order":85,"translations":88},10,"ai","#a855f7",{"ru":89},{"title":90,"description":91},"Искусственный интеллект","Терминология ИИ и больших языковых моделей: машинное обучение, нейросети, LLM, эмбеддинги, промптинг, RAG, агенты, MLOps, безопасность и этика моделей.",[93,102],{"id":94,"slug":95,"kind":96,"hex":97,"order":98,"translations":99},37,"llm","framework","#7c5ce6",91,{"ru":100},{"title":101},"LLM",{"id":103,"slug":104,"kind":105,"hex":106,"order":107,"translations":108},40,"ai-tool","tool","#5e79ec",94,{"ru":109},{"title":110},"Инструмент ИИ","В",[113,120],{"id":114,"order":115,"translations":116},1482,0,{"ru":117},{"question":118,"answer":119},"Можно ли обойтись без отдельной векторной базы?","\u003Cp>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.\u003C\u002Fp>",{"id":121,"order":61,"translations":122},1483,{"ru":123},{"question":124,"answer":125},"Чем векторная база отличается от Elasticsearch?","\u003Cp>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.\u003C\u002Fp>",{"related":127},[128,135],{"id":129,"slug":130,"translations":131},268,"embedding",{"ru":132},{"title":133,"short_definition":134},"Эмбеддинг (векторное представление)","Числовой вектор, в который модель переводит слово, предложение или другой объект, сохраняя его смысл.",{"id":136,"slug":137,"translations":138},278,"rag",{"ru":139},{"title":140,"short_definition":141},"RAG (поиск с дополнением генерации)","Подход, при котором перед ответом языковая модель ищет подходящие документы в базе знаний и использует их как контекст.",99,"2026-05-11T19:55:52.565596+03:00","2026-05-11T19:55:52.565611+03:00",[146,166,187],{"id":147,"slug":148,"translations":149,"category":154,"tags":157,"letter":164,"cover":17,"updated_at":165,"published_at":17},282,"mcp",{"ru":150},{"title":151,"short_definition":152,"translation_en":153},"MCP (Model Context Protocol, протокол контекста модели)","Открытый протокол, по которому языковые модели и агенты единообразно подключаются к внешним инструментам, данным и сервисам.","Model Context Protocol (MCP)",{"id":85,"slug":86,"hex":87,"icon":17,"order":85,"translations":155},{"ru":156},{"title":90,"description":91},[158,161],{"id":94,"slug":95,"kind":96,"hex":97,"order":98,"translations":159},{"ru":160},{"title":101},{"id":103,"slug":104,"kind":105,"hex":106,"order":107,"translations":162},{"ru":163},{"title":110},"M","2026-05-11T19:55:53.687297+03:00",{"id":167,"slug":168,"translations":169,"category":174,"tags":177,"letter":164,"cover":17,"updated_at":186,"published_at":17},287,"mlops",{"ru":170},{"title":171,"short_definition":172,"translation_en":173},"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.","MLOps",{"id":85,"slug":86,"hex":87,"icon":17,"order":85,"translations":175},{"ru":176},{"title":90,"description":91},[178,183],{"id":61,"slug":179,"kind":179,"hex":106,"order":61,"translations":180},"methodology",{"ru":181},{"title":182},"Методология",{"id":103,"slug":104,"kind":105,"hex":106,"order":107,"translations":184},{"ru":185},{"title":110},"2026-05-11T19:55:55.482827+03:00",{"id":136,"slug":137,"translations":188,"category":191,"tags":194,"letter":201,"cover":17,"updated_at":202,"published_at":17},{"ru":189},{"title":140,"short_definition":141,"translation_en":190},"Retrieval-Augmented Generation (RAG)",{"id":85,"slug":86,"hex":87,"icon":17,"order":85,"translations":192},{"ru":193},{"title":90,"description":91},[195,198],{"id":94,"slug":95,"kind":96,"hex":97,"order":98,"translations":196},{"ru":197},{"title":101},{"id":103,"slug":104,"kind":105,"hex":106,"order":107,"translations":199},{"ru":200},{"title":110},"R","2026-05-11T19:55:52.147205+03:00"]