Эмбеддинг — перевод текста на язык чисел: фраза превращается в точку в многомерном пространстве, где расстояние отражает смысловую близость. Запрос «вернуть деньги за заказ» окажется рядом с документом «порядок возврата товара», хотя ни одного общего слова может не быть. Вся работа семантического поиска и RAG держится на этом принципе.
Как работают эмбеддинги
Модель-кодировщик обучена так, что похожие по смыслу тексты получают близкие векторы, а далёкие — удалённые. Близость измеряется косинусным сходством: углом между векторами, устойчивым к длине текста. Каждое измерение вектора — не «признак с названием», а выученное сочетание смыслов; интерпретировать их поодиночке нельзя, сравнивать — можно и нужно.
Размерность вектора — от сотен до тысяч чисел — фиксирована для конкретной модели: все документы и запросы должны считаться одной и той же моделью, иначе сравнение теряет смысл. Отсюда правило эксплуатации: сменили эмбеддинг-модель — переиндексируйте всю базу. Хорошая модель различает и язык, и домен: юридический текст и разговорную речь она разводит по разным областям пространства.
На практике конвейер выглядит так: документы базы знаний разбиваются на фрагменты, каждый превращается в вектор и складывается в индекс. В момент запроса векторизуется и он; система находит ближайшие фрагменты и передаёт их модели для ответа. Подробная механика — в статьях что такое RAG-пайплайн и что такое RAG.
Что умеют помимо поиска
- Дедупликация: поиск повторяющихся документов и обращений по смыслу.
- Рекомендации: подбор похожих кейсов, товаров, нормативных документов.
- Мониторинг тем: кластеризация обращений и новостей без ручных рубрик.
- Мультимодальность: единое пространство для текста, изображений и схем — поиск «картинка по описанию».
Зачем бизнесу
- Поиск, который находит. Сотрудник формулирует как умеет — система ищет по смыслу, а не по вхождению слов.
- Основа RAG. Без эмбеддингов нет современного ассистента по базе знаний — это первый этаж всей цепочки.
- Дешёвый слой. Модель-эмбеддер компактна и работает быстро даже локально.
Аналитика — третий сценарий после поиска и RAG: по скоплениям близких векторов видно, какие темы растут в обращениях, какие документы устарели и где база знаний дублируется.
Где эмбеддинги подводят
Слепые зоны известны: точные числа и реквизиты (индексы и артикулы), редкая терминология, не встречавшаяся при обучении, свежие документы, не попавшие в индекс. Отдельный класс применений — контроль качества данных: эмбеддинги находят в массиве договоров противоречащие версии, дубли и пустые шаблоны, которые иначе всплывают только в работе ассистента. Навести порядок дешевле до запуска RAG: чистая база знаний напрямую определяет качество ответов. Поэтому зрелые контуры добавляют гибридный поиск — сочетание векторного с обычным — и регулярную переиндексацию. Отдельный класс рисков — безопасность: в индекс попадает содержание документов, и доступ к нему разграничивается так же строго, как к самим документам (разбор — OWASP LLM08: риски векторных баз).
Цены «от» (сентябрь 2026)
Пилот RAG с эмбеддинг-поиском — от 480 000 ₽ за 4–6 недель; прототип поиска — от 90 000 ₽; сопровождение контура — от 50 000 ₽/мес. Цены сентября 2026, без НДС (УСН).
С чего начать
Соберите двадцать типовых запросов сотрудников и проверьте на них текущий поиск по базе знаний. Если половина запросов не находит нужный документ — смысловой индекс даст самый быстрый видимый эффект из всех ИИ-внедрений. Как это выглядит внутри чат-бота — в ответе что такое RAG в чат-боте. Там же — типовые грабли первых недель эксплуатации и способы их обхода.