Продолжим карту из статьи про эмбеддинги: если эмбеддинг — координаты текста на карте смыслов, то векторная база — сама карта с быстрым способом отвечать «кто соседи вот этой точки». Перебирать миллион записей на каждый запрос было бы медленно и дорого. Поэтому векторные индексы (HNSW, IVF) ищут соседей приближённо: быстро, но иногда пропуская пару подходящих записей. Баланс точности и скорости настраивается — это инженерное решение, а не свойство «волшебной базы».

В RAG векторная база — «библиотека знаний» ассистента: документы, каталог и регламенты нарезаются на фрагменты, каждый получает эмбеддинг и ложится в базу. Пришёл вопрос → база выдала близкие по смыслу фрагменты → модель сформулировала ответ с опорой на них. Обновили каталог — после автоматической переиндексации база знает о новом товаре. Переобучать модель не нужно.

Векторный поиск не заменяет обычную базу, а дополняет её. Цены и остатки живут в обычной базе и подставляются в ответ напрямую — эти цифры модель не генерирует. Векторная часть отвечает только за «найти по смыслу».

Не с выбора базы — их десятки, и это последнее решение. Сначала данные: что войдёт в базу знаний и в каком оно состоянии. Это первый этап любого нашего AI-проекта (страница AI-разработки).

В Sigma.AI — ассистенте продуктового маркетплейса Sigma.Market — база знаний состоит из 1 155 рецептов и 238 нормализованных ингредиентов, каждый привязан к позиции на складе. Запрос «что приготовить из курицы и грибов» там решается детерминированным сценарием поиска по ингредиентам, без модели, — до 6 секунд. Собственный эмбеддинг работает в контуре генерации, для новых нетиповых запросов. Наличие и цены в любом случае берутся из складской базы напрямую. Пример показывает главное: смысловой поиск — один из инструментов контура, а не обязательный фундамент. Подробнее — в кейсе Sigma.AI.