Векторная база данных

Векторная база данных — это хранилище, которое ищет информацию по смыслу, а не по совпадению слов. Каждый текст — абзац регламента, карточка товара, тикет поддержки — превращается в вектор: набор из сотен чисел, описывающих его смысл. Похожие по смыслу тексты получают близкие векторы, и поиск сводится к поиску ближайших векторов.

Чем это отличается от обычного поиска: полнотекстовый движок найдёт документ по слову «возврат», только если это слово в нём есть. Векторный поиск на запрос «как отдать товар обратно» найдёт регламент возвратов, даже если формулировки не совпадают ни одним словом — смысл у них близкий.

Векторы (эмбеддинги) вычисляет нейросетевая модель. Документы разбиваются на фрагменты, каждый превращается в вектор и складывается в базу. Вопрос пользователя тоже превращается в вектор, и база отдаёт ближайшие фрагменты — за миллисекунды даже на сотнях тысяч записей.

Именно на этом держится связка с ИИ: в архитектуре RAG векторная база подбирает релевантные куски ваших документов и передаёт их языковой модели, чтобы та ответила по фактам, а не по общим знаниям. Для ИИ-агента, который консультирует по документации компании, векторная база — обязательная часть: доля точных ответов зависит от неё не меньше, чем от самой модели.

Популярные варианты: pgvector — расширение PostgreSQL, векторный поиск прямо в основной базе проекта; Qdrant — отдельное хранилище для больших объёмов и сложной фильтрации. Есть и другие (Weaviate, Milvus), но в бизнес-проектах чаще всего хватает первых двух.