Глосарій · Визначення
Векторна база даних
Векторна БД зберігає ембединги й швидко знаходить найсхожіші — так RAG-системи знаходять потрібні фрагменти серед мільйонів.
Автор: Nythrex EngineeringОновлено 1 хв читання
Простими словами
Перебирати мільйони ембедингів по одному було б повільно. Векторні БД (або векторні індекси у звичайних БД, як pgvector у PostgreSQL) використовують спеціальні індекси, щоб знаходити найближчі збіги за мілісекунди, зазвичай разом із фільтрами за правами й метаданими.
Коли це важливо для вас
- База знань більша, ніж вміщається в промпт
- Потрібен швидкий семантичний пошук
- Потрібна фільтрація за користувачем, тенантом чи статусом документа
Типові помилки
- Додавати нову БД, коли впорається наявна
- Немає гібридного пошуку (ключові слова + вектори)
- Фільтрувати права після пошуку, а не в запиті
Читайте також
ПорівнянняПорівняння векторних БДВекторні сховища для RAG: pgvector, Pinecone, Qdrant, Azure AI Search і OpenSearch — експлуатація, гібридний пошук, фільтри, масштаб, вартість.ГлосарійЕмбединги (embeddings)Ембединги — це набори чисел, що представляють зміст тексту, щоб комп'ютер міг знаходити фрагменти зі схожим змістом, навіть якщо в них різні слова.ГлосарійRAG (retrieval-augmented generation)RAG — підхід, за якого AI-система спершу шукає релевантні фрагменти у ваших документах чи даних, а потім мовна модель відповідає на їх основі з посиланнями.
Потрібен другий погляд на ваш проєкт?
Розкажіть, що ви будуєте і де застрягли. Протягом одного робочого дня відповімо з найпрактичнішим наступним кроком — навіть якщо цей крок не з нами.