Векторная база данных — специализированное хранилище для эмбеддингов: миллионы числовых представлений документов, проиндексированных так, чтобы поиск ближайших по смыслу занимал миллисекунды. Обычная база ищет по точному совпадению, векторная — по геометрической близости. Именно этот слой превращает «кучу документов» в базу знаний, по которой отвечает ИИ-ассистент.
Как устроен поиск
Точное сравнение вектора запроса со всеми миллионами — дорого, поэтому используются индексы приближённого ближайшего соседа: HNSW и аналоги строят иерархические графы, по которым поиск идёт «в сторону» ближайших соседей, не просматривая всё. Платой за скорость служит вероятность пропуска: настройка индекса — компромисс между полнотой и задержкой. В проектах её подбирают по меткам релевантности на своих данных. И это не «настройка один раз»: база растёт, документы обновляются, запросы меняются — зрелые контуры регулярно переоценивают полноту на контрольной выборке. Иначе деградация поиска остаётся незамеченной, пока пользователи не начнут жаловаться на «ассистента, который ничего не находит».
Что кроме хранения
- Гибридный поиск: сочетание векторного и лексического — смысл плюс точные термины и реквизиты.
- Метаданные и фильтры: права доступа, отделы, даты — отбор до векторного сравнения.
- Переиндексация: обновление векторов при изменении документов — база живёт вместе с базой знаний.
Как база встраивается в цепочку от чанкинга до генерации — в статьях что такое RAG-пайплайн и что такое RAG.
Выбор решения
Рынок предлагает три класса: встроенный векторный поиск в привычных СУБД, специализированные векторные базы и управляемые облачные сервисы. Выбор определяют не мода и не бенчмарки, а три вопроса: масштаб и динамика базы, требования к размещению данных и готовность команды обслуживать ещё одну систему. Для закрытых контуров решающими становятся размещение и аттестация.
Безопасность векторного слоя
Индекс — концентрат содержания документов, и обращаться с ним нужно как с самими документами: фильтрация по правам, шифрование, аудит доступа. Свои риски добавляет retrieval: ассистент может поднять фрагмент с промпт-инъекцией или вывести персональные данные из индекса — эти сценарии закреплены в OWASP LLM Top-10 (LLM08), разбор — риски векторных баз. В AI BOM организации векторная база значится отдельной строкой — реестр описан в AI BOM: реестр ИИ-активов.
Зачем бизнесу
- Поиск по смыслу в масштабе. Тысячи документов находятся за миллисекунды — без ручных рубрик.
- Фундамент RAG. Ассистент, отвечающий по актуальным документам, невозможен без векторного индекса.
- Гибкость развёртывания. Решения есть облачные и on-premise — под требования к данным, вплоть до полностью закрытых контуров.
Цены «от» (сентябрь 2026)
Пилот RAG с векторным индексом — от 480 000 ₽ за 4–6 недель; MVP ИИ-ассистента — от 690 000 ₽ за 2–3 недели; сопровождение контура — от 50 000 ₽/мес. Цены сентября 2026, без НДС (УСН).
С чего начать
Начните с объёма и прав: сколько документов войдёт в индекс, как часто обновляется, кто какие фрагменты видеть не должен. Ответы определят архитектуру — от лёгкой встроенной базы до отдельного кластера — и большую часть бюджета проекта. И сразу договоритесь о гигиене: удалённый документ обязан исчезать из индекса вместе с векторами, изменённый — переиндексироваться, права — применяться на каждом запросе. Три правила закрывают большинство инцидентов утечек через поиск. Четвёртое — резервная копия индекса: пересборка с нуля на большой базе занимает часы, а копия восстанавливается за минуты. Проверьте восстановление заранее, на стенде, а не в ночь инцидента: вместе с индексом бэкапятся и настройки прав.