Векторная база
Vector Database
Векторная база — это хранилище, где текст и документы лежат в виде числовых координат, и поиск идёт по смыслу, а не по совпадению слов.
Зачем это знать
- Понять, как ИИ-система находит нужный документ среди тысяч, не перебирая их все
- Оценить, нужна ли отдельная инфраструктура или хватит расширения к существующей базе
- Задавать подрядчику правильные вопросы: какой объём документов, какая модель встраивания, как обновляется база
Что такое векторная база простыми словами
Представьте библиотеку, где книги расставлены не по алфавиту и не по жанру, а по содержанию. Детективы Агаты Кристи стоят рядом с детективами Конан Дойла. Книги про садоводство — рядом с книгами про ландшафтный дизайн. Чтобы найти что-то похожее на «Собаку Баскервилей», не нужно знать автора или точное название — достаточно подойти к полке с английскими детективами.
Векторная база устроена так же. Каждый документ получает координаты в пространстве смыслов — сотни или тысячи чисел, которые описывают, о чём этот текст. Похожие по содержанию документы оказываются рядом. Поиск превращается в вопрос «что лежит ближе всего к этой точке».
Отсюда главное для бизнеса. Обычный поиск по словам не найдёт «договор аренды», если в документе написано «арендное соглашение». Векторный поиск найдёт: оба текста окажутся рядом в пространстве смыслов. Это позволяет строить системы, которые понимают вопросы на естественном языке.
Как это работает
Документы режут на куски. Договор на сорок страниц разбивают на фрагменты по абзацу или по несколько сотен слов. Размер куска подбирают под задачу: слишком мелкий теряет контекст, слишком крупный — точность поиска.
Каждый кусок превращают в вектор. Модель встраивания читает текст и выдаёт список чисел — обычно от 384 до 1536 координат. Эти числа кодируют смысл: тексты про одно и то же получают похожие наборы чисел.
Векторы складывают в базу. Вместе с вектором сохраняют исходный текст и метаданные: название документа, дату, отдел. По метаданным потом можно фильтровать: искать только среди договоров или только за прошлый год.
При запросе вопрос тоже превращают в вектор. Та же модель встраивания обрабатывает вопрос пользователя и выдаёт его координаты в том же пространстве.
База возвращает ближайших соседей. Алгоритм находит фрагменты, чьи координаты ближе всего к координатам вопроса. Обычно берут от трёх до десяти самых близких.
Найденные фрагменты уходят в модель. Языковая модель получает вопрос пользователя и релевантные куски документов. На их основе формирует ответ. Эта связка называется RAG — retrieval-augmented generation.
Пример из практики
Логистическая компания хранила регламенты, инструкции и ответы на частые вопросы в корпоративной вики — около 8 000 страниц. Операторы тратили 4–7 минут на поиск нужного фрагмента: приходилось угадывать точные слова, которые использовал автор документа.
Документы загрузили в векторную базу. Каждую страницу разбили на куски по 400–600 слов, получилось около 35 000 фрагментов. Модель встраивания обработала их за несколько часов, разовые расходы на создание векторов составили около 4 000 рублей.
Оператор теперь вводит вопрос обычным языком: «что делать, если груз задержали на таможне». База возвращает три-пять релевантных фрагментов за доли секунды. Время на поиск информации сократилось до 40–90 секунд. Замеряли на выборке из 200 обращений за месяц до и после запуска: среднее время первого ответа клиенту упало с 11 минут до 6.
Что это даёт бизнесу
Модель отвечает по документам компании, а не по общим знаниям. Без векторной базы языковая модель знает только то, на чём её обучали. С базой она получает актуальные внутренние документы и может ссылаться на конкретные пункты регламентов.
Снижается риск галлюцинаций. Модель видит источник и формирует ответ на его основе, а не додумывает. В системах с векторным поиском ответы можно проверять: рядом с ответом показывают фрагменты, из которых он собран.
Экономится бюджет на токены. Вместо того чтобы отправлять модели все документы, отправляют только релевантные. Это в разы сокращает входной объём и, соответственно, счёт от поставщика.
Поиск работает на естественном языке. Пользователю не нужно знать точные термины из документа. Вопрос «как оформить возврат» найдёт инструкцию, где написано «процедура обратной приёмки товара».
Когда без этого можно обойтись
При небольшом объёме документов векторная база избыточна. Если корпоративная база знаний — это 50–100 страниц, их можно целиком уместить в контекстное окно современной модели. Поиск по смыслу тогда делает сама модель, отдельная инфраструктура не нужна.
То же касается задач, где важно точное совпадение, а не смысловая близость. Поиск по номеру договора, артикулу или ИНН надёжнее делать классическим способом — по индексу в обычной базе.
Векторная база не поможет и там, где документы не оцифрованы или хранятся в виде сканов без распознавания текста. Модель встраивания работает с текстом, а не с картинками. Сначала решается задача распознавания, потом — векторного поиска.
Что важно проверить
Первое: качество поиска зависит от модели встраивания. Одна и та же база с разными моделями даёт разную точность. Перед запуском проверяют на реальных вопросах: задают 30–50 типичных запросов и смотрят, релевантны ли первые три результата. Если нет — меняют модель или параметры нарезки документов.
Второе: база требует обновления. Новые документы нужно превращать в векторы и добавлять, устаревшие — удалять. Без этого система за полгода начинает отвечать по неактуальным регламентам. Процесс обновления закладывают на этапе проектирования.
Третье: у подрядчика стоит спросить, какой объём документов поддерживается, сколько стоит первичная загрузка и обновление, где физически хранятся данные. Для чувствительных документов важно, чтобы векторная база работала на собственных серверах, а не в зарубежном облаке.
Частые вопросы
Векторная база простыми словами — это что?
Это хранилище, где каждый документ превращён в набор чисел — координаты в многомерном пространстве. Поиск работает не по словам, а по близости этих координат. Два текста про одно и то же окажутся рядом, даже если написаны разными словами. Обычная база ищет по совпадению символов, векторная — по смыслу.
Зачем векторная база нужна для ИИ
Языковая модель не помнит ничего, кроме того, что ей отправили прямо сейчас. Векторная база решает эту проблему: в неё складывают документы компании, а при запросе достают только те, что похожи по смыслу на вопрос пользователя. Модель получает нужный контекст и отвечает точнее. Без такой базы пришлось бы отправлять модели все документы сразу — это дорого и часто невозможно из-за ограничений на объём.
Чем векторная база отличается от обычной
Обычная база данных ищет по точному совпадению: запрос «договор аренды» не найдёт документ, где написано «арендное соглашение». Векторная база хранит не сами слова, а их смысловые координаты. Поэтому она находит документы, близкие по содержанию, даже если формулировки разные. Это критично для работы с естественным языком, где одно и то же говорится десятками способов.
Как документы попадают в векторную базу
Документ сначала режут на куски — обычно по абзацам или по несколько сотен слов. Каждый кусок пропускают через модель встраивания, которая превращает текст в вектор — список из сотен или тысяч чисел. Этот вектор вместе с исходным текстом и метаданными сохраняют в базу. При поиске вопрос пользователя тоже превращают в вектор и ищут ближайшие к нему.
Сколько стоит векторная база
Сама база часто бесплатна — Qdrant, Milvus и другие решения с открытым кодом разворачиваются на своём сервере без лицензионных платежей. Платят за инфраструктуру: сервер с нужным объёмом памяти и диска. Для базы на 100 000 документов хватает машины за 5–15 тысяч рублей в месяц в облаке. Отдельная статья — создание векторов: модель встраивания берёт деньги за каждый обработанный текст, но это разовая операция при загрузке.
Какие векторные базы используют в России
Распространены решения с открытым кодом: Qdrant, Milvus, Weaviate, Chroma. Они разворачиваются на российских серверах и не зависят от зарубежных облаков. Некоторые классические базы — PostgreSQL с расширением pgvector, Elasticsearch — тоже умеют работать с векторами, и их выбирают, когда инфраструктура уже построена на этих системах.
Нужно применить?
Разберём вашу задачу и скажем, где эта технология даст результат, а где не стоит тратиться.
Смежные термины
Обновлено: 26 июля 2026