Словарь ИИ
Что такое векторная база данных
Коротко
Векторная база данных это хранилище, которое держит тексты, картинки и товары в виде эмбеддингов и быстро находит записи, близкие по смыслу к запросу.
Поиск и RAG · vector database
Михаил МозгПроверено: 1 минута чтения
Ребенку
Представь огромную коробку с цветными карандашами. Карандаши лежат не по алфавиту, а рядом с похожими по цвету: голубой у синего, розовый у красного. Если нужен цвет неба, ты сразу тянешься в нужный угол и не перебираешь всю коробку. Векторная база данных раскладывает тексты и картинки так же: похожее лежит рядом.
Простыми словами
Обычная база ищет точные совпадения: номер заказа, фамилию, дату. Векторная ищет похожее по смыслу. Каждый документ или товар заранее превращают в эмбеддинг, длинный список чисел, и сохраняют вместе с исходным текстом. Когда приходит запрос, его тоже переводят в числа, и база за доли секунды находит записи с ближайшими значениями. Так покупатель пишет «теплая куртка для рыбалки», а магазин показывает парку с мембраной, хотя этих слов в запросе не было.
Для бизнеса
Такое хранилище нужно почти каждому ассистенту, который отвечает по документам, и умному поиску по каталогу. Выбор обычно такой: отдельный продукт или расширение к базе, которая у вас уже есть, например pgvector для PostgreSQL. Второй вариант проще в поддержке и не требует нового сервера. Цена зависит от числа записей, длины векторов и требований к скорости: индекс держат в оперативной памяти, и на миллионах документов ее нужно много. Если в базе есть персональные данные или коммерческая тайна, важно, где она физически стоит: зарубежное облако может противоречить требованиям 152-ФЗ. Размещение на своем сервере обсуждают вместе с выбором локальной модели.
Для специалиста
Векторная СУБД (vector database) хранит векторы вместе с идентификаторами и метаданными и отвечает на запросы ближайших соседей по метрике: косинусной близости, скалярному произведению или евклидову расстоянию. Точный перебор дает полную полноту, но время растет линейно с объемом, поэтому используют приближенный поиск (approximate nearest neighbor, ANN). Распространенный индекс HNSW (Malkov, Yashunin, 2016) строит иерархию графов близости и дает логарифмический рост сложности поиска. Другие семейства: IVF с разбиением пространства на кластеры и квантование произведений (product quantization) для сжатия. Методы индексации, сжатия и кластеризации векторов собраны в библиотеке Faiss (Douze и др., 2024). Расширение pgvector добавляет в PostgreSQL точный поиск по умолчанию и индексы HNSW и IVFFlat. Инженерные вопросы: фильтрация по метаданным вместе с ANN, обновление индекса без простоя, разграничение доступа к записям.
Пример
Служба поддержки хранит в векторной базе все прошлые ответы операторов. Новое обращение система сравнивает с ними и показывает оператору три похожих случая с решениями.
Связанные термины
Вопросы и ответы
Чем векторная база данных отличается от обычной?
Можно ли обойтись без отдельной векторной базы?
Источники
Где это применяют в компании
Не уверены, нужно ли это вашей компании?
Карта ИИ-решений