Векторные базы данных: как семантический поиск и RAG меняют корпоративную автоматизацию

Векторную базу выбирают по качеству поиска на своих запросах, правилам доступа и стоимости эксплуатации. Разберём, когда достаточно PostgreSQL с pgvector, зачем нужен отдельный сервис и как отличить ошибку поиска от ошибки генерации ответа.

Какую задачу решает векторный поиск

Векторный поиск находит близкие представления текстов. Это полезно, когда пользователь и документ описывают одно понятие разными словами: «замена поставщика» и «выбор альтернативного контрагента». Поиск по номеру договора, артикулу или точной цитате часто лучше начать с обычного фильтра или полнотекстового индекса.

Наличие векторного индекса само по себе не гарантирует правильный ответ. Он возвращает кандидатов, а приложение проверяет права, актуальность и достаточность найденных фрагментов. Как собрать весь процесс ответа с источниками, разобрано отдельно: RAG по корпоративным документам.

От вопроса к ответу с источниками. Вопрос пользователя → Symfony; Symfony → Векторная БД; Векторная БД → Релевантные фрагменты; Релевантные фрагменты → LLM; LLM → Ответ с источниками
От вопроса к ответу с источниками. Нажмите на схему, чтобы увеличить.

Сначала подготовьте контрольные запросы

Возьмите реальные вопросы из обращений сотрудников. Для каждого вручную отметьте документы, которые действительно отвечают на вопрос, и документы, доступные этому пользователю. Включите точные идентификаторы, синонимы, опечатки, вопросы без ответа и материалы с ограниченным доступом.

Учебный пример: в каталоге есть карточки «КЛ-17», «КЛ-71», регламент замены поставщика и устаревшая редакция этого регламента. Для запроса «паспорт КЛ-17» правильна конкретная карточка; близкое написание «КЛ-71» не делает другую карточку релевантной. Для вопроса «как выбрать альтернативного поставщика» нужен действующий регламент. Одним тестом нельзя оценить оба типа поиска.

Сравните простой поиск, векторный и гибридный на одной выборке. В гибридном варианте совпадение артикула можно проверять отдельным правилом, а смысловой поиск применять к описанию. Не выбирайте победителя по нескольким красивым ответам модели: сначала оцените найденные документы без генерации.

Какие варианты сравнивать

ВариантКогда включать в сравнениеЧто проверить
Существующий поискЕсть полнотекстовый индекс, фильтры или поиск в корпоративном порталеХватает ли качества на ваших вопросах без новой инфраструктуры
PostgreSQL и pgvectorКоманда уже обслуживает PostgreSQL, нужны SQL и связи с метаданнымиВремя поиска, размер индекса, влияние нагрузки на основную БД и восстановление
QdrantНужен отдельный сервис векторного поиска с фильтрами по payloadПравила фильтрации, обновления, резервирование и эксплуатация отдельного сервиса
PineconeРассматривается управляемый сервисПодходящий регион, условия обработки данных, лимиты, фильтры и текущая стоимость

Универсального порога «после N документов нужна отдельная база» нет. На результат влияют размерность вектора, число фрагментов, фильтры, параллельные запросы и требуемая задержка. Сравнивайте решения на одинаковом корпусе и сценарии, включая обновления во время поиска.

Минимальный пример pgvector: расстояние и доступ

Ниже учебный SQL для отдельной тестовой PostgreSQL с установленным pgvector. Три координаты заданы вручную, чтобы показать механику косинусного расстояния. Это не настоящие embeddings документов и не доказательство качества смыслового поиска. Временная таблица существует только в текущем соединении.

CREATE EXTENSION IF NOT EXISTS vector;
CREATE TEMP TABLE demo_chunks (
    id integer PRIMARY KEY,
    tenant_id integer NOT NULL,
    body text NOT NULL,
    embedding vector(3) NOT NULL
);
INSERT INTO demo_chunks VALUES
    (1, 7, 'Первый разрешённый фрагмент', '[1,0,0]'),
    (2, 7, 'Второй разрешённый фрагмент', '[0.9,0.1,0]'),
    (3, 8, 'Чужой документ', '[1,0,0]');

SELECT id, body, embedding <=> '[1,0,0]'::vector AS distance
FROM demo_chunks
WHERE tenant_id = 7
ORDER BY embedding <=> '[1,0,0]'::vector, id
LIMIT 2;

Ожидаемый порядок: ID 1 с расстоянием 0, затем ID 2 с расстоянием примерно 0,006116. ID 3 имеет идеальное совпадение вектора, но исключён условием доступа. В приложении организация определяется проверенным контекстом пользователя и передаётся параметром запроса; её нельзя доверять тексту вопроса или ответу модели.

Такой фильтр показывает один уровень изоляции. Для реального корпуса дополнительно учитывают группы, права на отдельные документы и срок действия редакции. До передачи фрагмента модели приложение обязано убедиться, что пользователь вправе его читать.

Как оценивать качество и скорость индекса

Разделяйте две проверки. Первая — насколько найденные документы отвечают на вопрос по разметке эксперта. Вторая — насколько приближённый индекс воспроизводит ближайших соседей точного поиска с той же моделью embeddings и теми же фильтрами. Высокая точность второй проверки не исправит неподходящую модель или плохое разбиение документов.

Для первой проверки можно считать долю вопросов, для которых нужный фрагмент оказался в первых пяти результатах. Отдельно учитывайте вопросы без ответа и нарушения прав: их нельзя скрыть внутри среднего показателя релевантности. Для второй сравнивайте наборы результатов точного и приближённого поиска при одинаковом k.

В pgvector точный поиск доступен без приближённого индекса. HNSW и IVFFlat меняют баланс скорости и полноты. При фильтрации приближённый поиск может вернуть меньше подходящих строк, чем ожидалось: проверяйте это на реальных селективных фильтрах и сверяйтесь с возможностями установленной версии. Отсутствующий результат не всегда означает отсутствие документа.

Измеряйте p50 и p95 задержки, долю запросов без нужного документа, потребление памяти и диска, время добавления новых данных и восстановления. Сохраняйте параметры модели, индекса, фильтров и нагрузку рядом с результатами, иначе сравнение не воспроизвести.

Почему обновления важны не меньше поиска

Индексация корпоративных знаний. Источники → Symfony Messenger; Symfony Messenger → Consumer; Consumer → Qdrant / pgvector
Индексация корпоративных знаний. Нажмите на схему, чтобы увеличить.

У фрагмента должны быть стабильный ID документа, версия, источник и метаданные доступа. При смене модели embeddings обычно нужен пересчёт корпуса: векторы разных моделей нельзя смешивать только потому, что у них совпала размерность. Новую версию индекса сначала проверяют, затем переключают поиск с возможностью отката.

Удаление документа и отзыв прав должны распространяться на индекс, хранилище текста и кэш ответов. Проверьте это отдельным тестом: найдите документ, отзовите доступ и повторите тот же запрос. Старый ответ из кэша тоже считается утечкой.

Как принять решение по пилоту

До запуска согласуйте допустимые ошибки, задержку и бюджет эксплуатации. Зафиксируйте победивший вариант вместе с условиями: корпус, модель, фильтры, нагрузка и способ обновления. Если обычный поиск уже закрывает вопросы пользователей, новый векторный сервис можно не вводить. Если поиск хорош, но ответ модели неверен, исправлять нужно генерацию и проверку источников, а не менять базу вслепую.

Следующий шаг — пилот на ограниченном корпусе с владельцем документов. Подготовку текста и проверку ответа смотрите в инструкции по RAG, требования к размещению — в материале об on-premise инфраструктуре.

Проверено 17 октября 2026 года. Первоисточники: pgvector, фильтрация Qdrant, фильтрация Pinecone. SQL и набор документов — учебные примеры; сравнительный бенчмарк продуктов здесь не проводился.

ModernERP Integration Monitor

Узнавайте о сбоях обменов раньше, чем о них сообщат сотрудники

Ошибки, задержки и история обменов между 1С, CRM, WMS и API — в одном сервисе. Контролируйте критичные интеграции с Integration Monitor.

Посмотреть Integration Monitor ↗

Работает на наших серверах · До 15 интеграций · 90 дней истории