Представьте огромную карту, где каждый текст — точка. Тексты про доставку лежат в одном районе, про оплату — в другом, рецепты с курицей — в третьем. Эмбеддинг — это координаты текста на такой карте. Только координат не две, а сотни: например, модели векторизации в Yandex AI Studio по умолчанию описывают текст 256 числами. Когда пользователь задаёт вопрос, система вычисляет его координаты и смотрит, какие документы лежат рядом, — так находится смысл, а не совпадение слов.

Поиск по словам ищет совпадения. С морфологией и словарём синонимов он найдёт «ужин» по «ужинам», но не свяжет «лёгкий ужин» с «низкокалорийным салатом», пока синоним не пропишут вручную. Смысловой поиск находит такие пары сам — на карте эти фразы соседи. На практике их комбинируют: поиск по словам точен на артикулах и названиях, эмбеддинги — на свободных формулировках.

Эмбеддинги — рабочая лошадка RAG: прежде чем модель ответит, система через эмбеддинги находит в вашей базе фрагменты, близкие к вопросу по смыслу. Хранение и поиск таких векторов — задача векторной базы данных. Для пользователя всё это выглядит как ассистент, который «понимает с полуслова».

Эмбеддинги не выбирают в вакууме — они часть контура: какие данные, какой поиск, какая модель. Для русскоязычного продукта первым делом проверьте, насколько модель эмбеддингов понимает русский: мультиязычные открытые модели, эмбеддинги Yandex AI Studio и GigaChat работают по-разному, и сравнивать их стоит на ваших реальных запросах. Начинается всё с аудита данных (страница AI-разработки).

В Sigma.AI — ассистенте продуктового маркетплейса Sigma.Market с базой из 1 155 рецептов — генерация работает на собственной локальной модели с нашим эмбеддингом. Запросы обрабатываются на своей инфраструктуре, параллельно и без оплаты за каждое обращение к внешнему API. Внешние модели (Gemini, OpenAI) там подключены только для отдельных сценариев. Эмбеддинг — не обязательно «услуга OpenAI»: модель эмбеддингов может жить у вас. Подробнее — в кейсе Sigma.AI.