Векторная база данных для агента простыми словами

Векторная база хранит фрагменты документов вместе с эмбеддингами, то есть записью смысла в виде набора чисел. Когда приходит вопрос, база находит фрагменты с близким смыслом, даже если слова в вопросе другие.

На этом стоит RAGRAG RAG это схема, в которой ИИ сначала находит нужные фрагменты в ваших документах, а потом отвечает, опираясь на них. Подробнее в словаре: модель перед ответом ищет фрагменты в базе документов и отвечает по ним. Так агент работает с вашими документами без обучения модели. Пошагово схема разобрана на странице о том, как сделать RAG.

Сколько фрагментов база отдает модели на один вопрос, задает параметр top K, во Flowise по умолчанию 4. Меньшее значение дает меньше фрагментов, зато точнее, большее захватывает шире.

Размерность векторов задает модель эмбеддингов, и индекс базы должен с ней совпадать. Чем больше измерений, тем больше ресурсов на хранение и сравнение: документация Flowise приводит модели на 768 и 3072 измерения.

Отдельная база нужна не всегда. Если справочных данных мало и они помещаются в инструкцию, хватит агента без RAG.

Ниже открытые базы, которые можно поставить на свой сервер. Лицензии бесплатные, платите вы за сервер и за время того, кто базу обслуживает.

pgvector это расширение для PostgreSQL. Векторы лежат рядом с остальными данными компании, а с ними работают привычные возможности Postgres: транзакции, восстановление на момент времени, объединение таблиц. Лицензия у расширения такая же, как у PostgreSQL.

По умолчанию pgvector ищет точно и находит все ближайшие фрагменты. Для скорости есть индексы HNSWприближенный поиск соседей Приближенный поиск соседей (ANN) это способ быстро находить в огромной базе векторы, близкие к запросу, ценой небольшой доли точности: часть настоящих ближайших соседей может не попасть в выдачу. Подробнее в словаре и IVFFlat, для типа vector они работают до 2000 измерений. При большом объеме документация советует сжатие векторов, квантизациюквантизация Квантизация это сжатие нейросети, при котором ее числа хранят с меньшей точностью, чтобы модель занимала меньше памяти и работала быстрее. Подробнее в словаре.

Qdrant это отдельная векторная база на языке Rust с лицензией Apache 2.0. Каждый вектор хранится с полезной нагрузкой, набором полей вроде отдела или даты, и поиск умеет фильтровать по этим полям.

Chroma ставится в Python командой pip install chromadb, лицензия Apache 2.0. Фрагментам дают метаданные, например источник, и фильтруют поиск по ним.

Milvus рассчитан на большие объемы. По данным разработчиков, распределенная версия обрабатывает десятки тысяч поисковых запросов по миллиардам векторов. Проект входит в LF AI & Data Foundation, лицензия Apache 2.0, для одной машины есть режим Standalone, а для пробы в Python облегченная Milvus Lite.

Сколько документов выдержит база, зависит не только от ее названия, но и от сервера и индекса. Начинать разумно с базы, которую ваша команда сможет обслуживать: если Postgres уже есть, это pgvector.

Заполняют базу по одной схеме: загрузить документы, разрезать на фрагменты, посчитать эмбеддингиэмбеддинг Эмбеддинг это список чисел, по которому компьютер понимает смысл текста или картинки и находит похожие. Подробнее в словаре и записать в базу. Во Flowise это делается в разделе «Document Stores» без кода.

1. Добавьте хранилище и выберите загрузчик под формат файлов, например «PDF Loader».

2. Дайте набору свою метку метаданных, например название отдела. По ней потом отбирают фрагменты этого набора, даже если в той же базе лежат другие документы.

3. Выберите нарезку, модель эмбеддинговэмбеддинг-модель Эмбеддинг-модель это нейросеть, которая превращает текст, картинку или другой объект в эмбеддинг, то есть набор чисел, по которому можно сравнивать смысл. Подробнее в словаре в карточке «Select Embeddings» и базу в карточке «Select Vector Store».

4. Добавьте «Record Manager» и нажмите «Upsert», чтобы записать фрагменты в базу.

Record Manager решает главную проблему обновлений, дубли. Он считает отпечаток SHA-1 каждого фрагмента и пропускает те, что уже есть в базе.

Режим очистки выбирают под способ обновления. Incremental удаляет старые версии измененных документов и не трогает остальные. Full удаляет из базы все, чего нет в текущей загрузке, а None ничего не удаляет.

Для регулярных обновлений у Flowise есть API: загрузку новых файлов и пересчет хранилища можно запускать по расписанию. Назначьте ответственного за базу: устаревший прайс агент процитирует так же уверенно, как свежий.

В одной базе часто лежат документы разных отделов и клиентов. Если агент ищет по всей базе, он может показать менеджеру по продажам фрагмент кадрового приказа.

OWASP, международное сообщество по безопасности приложений, внесло слабости векторных баз в список главных рисков ИИ-приложений 2025 года под номером LLM08. Среди них доступ к фрагментам с чувствительными данными без прав и утечки между пользователями общей базы. Совет OWASP: разграничивать доступ на уровне хранилища и делить данные логически.

В Qdrant для этого рекомендуют одну коллекцию с полем group_id у каждого вектора и фильтр по этому полю в каждом запросе. Отдельную коллекцию под каждую группу документация называет редко оправданной и советует только для немногих групп со строгой изоляцией.

В PostgreSQL с pgvector работают политики безопасности строк, Row-Level Security: база сама решает, какие строки видит пользователь. Если защиту строк включили, а политику не задали, обычный пользователь не увидит ни одной строки. Владелец таблицы под эти правила обычно не попадает.

Фильтр ставит программа, а не модель. Права берут из учетной записи пользователя и подставляют в запрос к базе до того, как фрагменты попадут к модели.

Если во фрагментах есть персональные данные клиентов, действует 152-ФЗ: базы с ними находятся в России, а до передачи данных за границу оператор уведомляет Роскомнадзор. Векторную базу с такими фрагментами ставят на ваш сервер, подробнее на странице о безопасности данных.