Векторный поиск — это способ искать информацию по близости смысла: запрос и документы превращают в числовые векторы и возвращают те документы, чьи векторы ближе всего к запросу.
Классический поиск сравнивает слова. Если человек пишет «недорогой сайт для кафе», а на странице стоит «лендинг для ресторана по низкой цене», слова почти не совпадают, и обычный поиск может ничего не найти. Векторный поиск работает иначе. Специальная модель превращает текст в Эмбеддинг — набор чисел, где похожие по смыслу фразы лежат рядом. Дальше остаётся измерить расстояние между векторами, чаще всего через косинусное сходство, и выбрать самые близкие.
Для больших коллекций используют приближённые алгоритмы поиска соседей и векторные базы: они находят нужное среди миллионов записей за доли секунды, немного жертвуя точностью.
Пример
В базе знаний лежит статья «Как оформить возврат товара». Пользователь пишет: «хочу получить деньги назад». Общих слов нет, но векторы близки по смыслу, и статья окажется на первом месте. Точно так же ИИ-ассистент находит нужные фрагменты ваших документов перед тем, как ответить, — это основа RAG.
Как проверить качество
- Составьте 20–30 реальных вопросов пользователей.
- Для каждого заранее отметьте страницу, где лежит правильный ответ.
- Прогоните запросы через поиск и посмотрите, попадает ли нужная страница в первую пятёрку.
- Разберите промахи: часто виноваты слишком длинные куски текста или смешение языков.
- Попробуйте гибрид с поиском по словам и сравните результат.
Чем отличается от поиска по ключевым словам
Поиск по словам хорош для точных значений: артикулов, фамилий, названий, кодов ошибок. Векторный лучше понимает перефразировки и вопросы своими словами, но может пропустить редкий термин или выдать «похожее, но не то». Поэтому в серьёзных системах их объединяют: это называют гибридным поиском. Родственный термин — Семантический поиск, по сути векторный поиск и есть его основной способ реализации.
Типичные ошибки
- Кодировать запрос и документы разными моделями.
- Не разбивать длинные страницы на фрагменты.
- Ждать от векторного поиска точного совпадения по номерам и именам.
- Не проверять результаты на реальных вопросах.
Где вы с ним уже встречались
Рекомендации «похожие товары», поиск по фото, подсказки в поиске по документации и ответы нейросетей с опорой на найденные источники часто построены на векторном поиске. Для пользователя это выглядит как обычная выдача, но ищется она по смыслу, а не по буквам.
Частый вопрос
Нужен ли векторный поиск обычному сайту услуг? Чаще всего нет: при небольшом числе страниц хватает понятной навигации и обычного поиска. Векторный поиск окупается, когда материалов много и пользователи ищут ответы своими словами или когда вы строите ИИ-ассистента по своим документам.