KNOWLEDGE SPACE · ДОКУМЕНТАЦИЯ

Векторная база данных: как устроен поиск по числовым представлениям

На этой странице

Векторная база данных хранит числовые представления объектов и помогает находить близкие по выбранной мере векторы. Вместе с представлением могут храниться идентификатор, ссылка на источник и метаданные: версия, дата, тип документа и другие признаки.

Такие возможности встречаются как у специализированных систем, так и у расширений обычных СУБД. Отдельный новый сервер необязателен для любого приложения с векторным поиском.

Как проходит запрос

Модель преобразует вопрос в вектор, совместимый с представлениями сохранённых объектов. База находит ближайшие варианты, при необходимости применяет фильтры и возвращает результат. Приложение получает соответствующий текст или другой исходный материал.

База обычно не создаёт осмысленные эмбеддинги без выбранной модели и не проверяет достоверность документов. Хранение, получение представлений и генерация ответа относятся к разным компонентам, хотя поставщик может объединять их в продукте.

Зачем нужны индексы

При большом числе объектов сравнение запроса с каждым вектором может быть слишком затратным. Индексы ускоряют поиск, в том числе через приближённый выбор соседей. Такой поиск может пропустить часть результатов, которые нашёл бы полный перебор.

Поэтому оценивают компромисс между задержкой, ресурсами и полнотой. Название алгоритма или высокая скорость сами по себе не подтверждают качество на материалах компании. Проверка должна учитывать и фильтрацию метаданных.

Пример поиска инструкции

В хранилище загружены фрагменты регламентов с идентификаторами документов и редакциями. По вопросу сотрудника база возвращает смыслово близкие фрагменты. Затем приложение исключает неактуальные или недоступные материалы и готовит ответ по подходящим источникам.

Если в выдаче смешались действующая и отменённая инструкции, близость векторов не разрешит противоречие. Нужны правила выбора редакции. Права доступа важно применять так, чтобы недоступный текст не попал в контекст модели или результат пользователя. Пример условный.

Отличие от реляционной базы

Реляционная СУБД удобна для структурированных связей, транзакций и точных условий. Векторный поиск решает задачу сходства. Современная СУБД может поддерживать оба механизма, поэтому это не обязательно взаимоисключающие варианты.

Для получения точного остатка по коду товара нужен корректный запрос к учётным данным, а не ближайший текст по смыслу. В корпоративном приложении точное извлечение и поиск сходства часто дополняют друг друга.

Что требуется для сопровождения

При изменении документа обновляют связанные фрагменты, представления и метаданные. Удаление источника должно отражаться в поиске. Смена модели эмбеддингов требует проверки совместимости и может потребовать нового индекса.

Перед запуском проверяют обновления, удаление, доступ, скорость и качество выдачи на типовых вопросах. Наличие векторной базы не означает автоматически работающий RAG или готовую базу достоверных ответов.

Связь с Knowledge Space

В материале Knowledge Space о корпоративном ИИ описано подключение проектного контекста. Если в решении используется векторный поиск, его хранилище нужно рассматривать вместе с обновлением источников и доступом. Публичное описание архитектуры KS не устанавливает конкретную векторную СУБД.

Работа с корпоративными источниками в KS

FAQ

Векторная база заменяет все остальные базы?

Нет. Задачи точного учёта, транзакций и поиска сходства могут требовать разных механизмов.

Для RAG обязательна отдельная векторная БД?

Нет. Возможны другие виды поиска и хранение векторов в существующей СУБД.

Ближайший вектор означает правильный документ?

Не обязательно. Нужно проверить содержание, редакцию и применимость источника.

Зачем хранить метаданные?

Они помогают выбирать нужные версии и типы документов, связывать фрагмент с источником и учитывать ограничения доступа.

Смежные термины

Была ли страница полезна?