Vector Search — это метод поиска, при котором запрос и документы представляются в виде числовых векторов (эмбеддингов) в многомерном пространстве, а релевантность определяется по расстоянию между ними. В отличие от классического поиска по ключевым словам, векторный поиск сравнивает смысл, а не буквы: запрос «как починить кран» найдёт страницу «устранение протечки смесителя», даже если общих слов там нет. Технически это работает так: нейросеть-энкодер превращает текст, изображение или аудио в массив из 384–1536 чисел, а система ищет ближайшие векторы через косинусную близость или скалярное произведение.
Как это работает на практике
- Индексация: каждый документ разбивается на чанки по 200–500 токенов и прогоняется через эмбеддинг-модель.
- Хранение: векторы складываются в специализированную базу с индексом HNSW или IVF, что даёт поиск за миллисекунды даже на миллионах записей.
- Запрос: пользовательский текст кодируется той же моделью и сравнивается с базой по метрике близости.
- Ранжирование: топ-N результатов передаются в реранкер или LLM для финальной сортировки и генерации ответа.
Именно на этой схеме строятся RAG-системы, чат-боты по базе знаний и умный поиск внутри интернет-магазинов. Для e-commerce это означает рост конверсии: покупатель находит товар по описанию «лёгкие кроссовки для бега по асфальту», а не по точному артикулу. Чтобы внедрить такой поиск без ошибок в архитектуре, помогает оптимизация работы с базой данных и интеграция с другими системами.
Где применяется векторный поиск
- Поиск по каталогам и маркетплейсам — подбор похожих товаров, визуальный поиск по фото.
- Корпоративные базы знаний — сотрудник задаёт вопрос своими словами и получает нужный регламент.
- Модерация и дедупликация — выявление дублей и близких по смыслу объявлений.
- Рекомендательные системы — «похожие статьи», «с этим также покупают».
- AI-ассистенты и чат-боты, отвечающие на основе внутренней документации.
Ключевое ограничение — качество эмбеддингов: слабая модель даёт «мусорные» соседи, а без реранкера топ выдачи теряет точность. Поэтому векторный поиск почти всегда комбинируют с лексическим (BM25) в гибридных схемах. Если сайт продвигается в поиске, стоит учитывать, что контент теперь индексируют и AI-системы — здесь пригодится GEO продвижение, которое адаптирует материалы под генеративную выдачу.
Чем отличается от классического поиска
- Лексический поиск ищет точные совпадения слов, векторный — смысловую близость.
- Ключевые слова не требуют обучения модели, векторный поиск невозможен без энкодера.
- Векторный поиск лучше работает с опечатками, синонимами и перефразированием.
- Стоимость: эмбеддинги требуют GPU при индексации и больше памяти при хранении.
- Объяснимость ниже — сложно понять, почему документ попал в топ.
На практике выбор зависит от задачи: для точных артикулов и SKU достаточно лексики, для естественных вопросов — векторов. Связанные темы: Vector Database, Semantic Search, Hybrid Search, AI Search.
