Зачем бизнесу векторная база
Обычный поиск ищет по совпадению слов, а векторный — по смыслу: запрос «как оформить возврат от юрлица» находит раздел про работу с корпоративными клиентами, даже если слова «возврат» там нет. Документы превращаются в эмбеддинги — числовые представления смысла — и складываются в специализированную базу; она и отдаёт языковой модели релевантные фрагменты перед ответом. Это сердце любого RAG-сервиса, поэтому выбор хранилища — инженерное решение, а не мода.
Milvus, Qdrant или pgvector
| Критерий | Когда выбирать |
|---|---|
| Старт, одна команда, миллионы векторов | Qdrant: лёгкий открытый движок с фильтрацией по метаданным и гибридным поиском |
| Миллиарды векторов, распределённый кластер | Milvus: масштабируется горизонтально, зрелый проект с большим сообществом |
| Вся аналитика уже в PostgreSQL | pgvector-расширение: без новой инфраструктуры, до определённых объёмов |
| Нужны права доступа на уровне строк | Фильтры метаданных в Qdrant/Milvus + изоляция коллекций по подразделениям |
| Обновление базы каждый час | Инкрементальная загрузка в обоих; конвейер строим на этапе пилота |
Что входит во внедрение
- Подготовка корпуса: сбор документов, дедупликация, нарезка на фрагменты с перекрытием — от качества нарезки зависит половина точности поиска.
- Конвейер индексации: загрузка, эмбеддинг, метаданные (отдел, дата, гриф доступа); как это устроено end-to-end — в статье о RAG-пайплайне.
- Гибридный поиск: смысловой вектор плюс ключевые слова и фильтры — так точность выше на артикулах и номерах договоров.
- Безопасность: эмбеддинги тоже данные; ограничение доступа и защита от восстановления текста — требования OWASP LLM08, разбор — слабости векторных баз.
Сколько это стоит
Аудит корпуса с прототипом поиска — от 90 000 ₽ (3–5 рабочих дней); пилот с векторной базой и RAG-ответами — от 480 000 ₽ сроком на 4–6 недель; промышленный контур с правами и мониторингом — 0,9–1,2 млн ₽. Почему для обновляемых знаний выбирают RAG, а не дообучение модели — в сравнении «RAG или дообучение модели».
С чего начать
- Передайте выборку документов и типовые вопросы сотрудников — соберём пробный индекс.
- На прототипе измерим точность поиска и покажем, где теряется качество.
- В пилоте подключим базу к чат-боту, 1С или порталу — сотрудники получат ответы со ссылкой на источник.