Словарь
Что такое векторная база данных: память для поиска по смыслу
Что такое векторная база данных: это хранилище, которое держит тексты вместе с их смысловыми отпечатками и за доли секунды находит похожие по смыслу фрагменты. Объясняем, как она устроена, и сравниваем популярные варианты по сложности и стоимости для небольшой компании. Пригодится, если планируете ИИ-помощника по своим документам и выбираете, где их хранить.
Обновлено 29.09.2026
Коротко
- Векторная база хранит эмбеддинги фрагментов текста и ищет ближайшие по смыслу.
- Без нее не работают семантический поиск, RAG и большинство ИИ-помощников по документам.
- Рядом с векторами лежат сами тексты и метки: документ, раздел, дата, уровень доступа.
- Для базы знаний малого бизнеса подходят и pgvector в PostgreSQL, и Qdrant, и Chroma.
- Если в документах есть персональные данные, базу размещают на серверах в России.
Векторная база данных простыми словами
Представьте библиотеку, где книги стоят не по алфавиту, а по смыслу. Книги о ремонте кровли рядом с книгами о водостоках, а сборники рецептов - в другом крыле. Чтобы найти нужное, не надо знать название: достаточно подойти к нужной полке.
Векторная база данных делает то же с фрагментами текста. Каждый фрагмент превращается в эмбеддинг - набор из сотен или тысяч чисел, который описывает смысл. Похожие по смыслу тексты получают близкие наборы чисел. База умеет быстро находить ближайших соседей для любого запроса.
Чем она отличается от смежных понятий
- От обычной базы данных. SQL-база ищет точные совпадения: клиент с ИНН таким-то, заказы за сентябрь. Векторная ищет похожее.
- От эмбеддингов. Эмбеддинг - сам отпечаток смысла. Векторная база - место, где миллионы таких отпечатков хранятся и сравниваются.
- От семантического поиска. Семантический поиск - способ искать. Векторная база - инструмент, на котором он работает.
Что хранится внутри и как проходит поиск
Одна запись в векторной базе - это не только числа. В ней обычно три части:
- Вектор - эмбеддинг фрагмента.
- Текст фрагмента - чтобы показать его человеку или передать модели.
- Метаданные - название документа, раздел, дата версии, кому разрешен доступ.
При поиске запрос сотрудника тоже превращается в вектор. База сравнивает его с сохраненными и отдает, например, пять ближайших фрагментов. Метаданные работают как фильтр: показать только действующие версии, только раздел продаж, только документы, открытые клиентам.
Метаданные кажутся мелочью, но именно они не дают помощнику процитировать прошлогодний прайс или внутренний регламент клиенту.
Векторная база данных: какую выбрать для задач малого бизнеса
Большинство популярных векторных баз - открытые проекты. Лицензия бесплатна, платите вы за сервер и за работу по настройке. Облачные версии тех же баз оплачиваются по тарифам поставщика.
| Вариант | Сложность | Где работает и за что платить | Когда подходит |
|---|---|---|---|
| pgvector, расширение для PostgreSQL | Низкая, если PostgreSQL уже есть | Ваш сервер | Данные компании уже в PostgreSQL, и хочется одну базу вместо двух |
| Qdrant, отдельная база с открытым кодом | Средняя | Свой сервер или облако по тарифу | Базы знаний с фильтрами по доступам и растущим объемом |
| Chroma, легкая база с открытым кодом | Низкая | Свой сервер | Прототипы и пилоты, небольшие объемы |
| Weaviate, база с модулями и гибридным поиском | Средняя | Свой сервер или облако по тарифу | Нужен поиск по словам и смыслу в одном месте |
| Milvus, распределенная база | Высокая | Несколько серверов | Миллионы документов, для малого бизнеса обычно избыточна |
| OpenSearch с векторным поиском | Средняя | Свой сервер или облако по тарифу | OpenSearch или Elasticsearch уже ищет по сайту |
Зарубежные облачные векторные сервисы тоже существуют, но данные в них хранятся за рубежом. Для документов с персональными данными такой вариант требует отдельной оценки.
Как выбирать на практике
- До 3 000 страниц документов - это тысячи или десятки тысяч фрагментов. С таким объемом справится любой вариант из таблицы. Выбирайте то, что проще поддерживать вашей команде или подрядчику.
- Есть PostgreSQL - начните с pgvector, это меньше движущихся частей.
- Нужны роли и фильтры - смотрите на Qdrant или Weaviate.
- Проверяете гипотезу - Chroma поднимается за вечер, потом данные можно перенести.
Где хранить векторы: безопасность и 152-ФЗ
Частое заблуждение: «там же только числа, это не данные». Но рядом с векторами хранятся сами фрагменты текста в открытом виде. Если в договорах есть ФИО, паспорта и телефоны, векторная база содержит их тоже.
- К базе применяются те же требования, что к исходным документам. По 152-ФЗ персональные данные граждан России хранят на серверах в России.
- Доступ к базе выдают по ролям, а не всем сотрудникам сразу.
- При удалении документа из источника его фрагменты удаляются и из векторной базы. Это настраивается в синхронизации.
Для чувствительных документов возможен закрытый контур: и база, и модель работают на ваших серверах.
Нужна ли векторная база для чат-бота
Если бот отвечает по 20-30 частым вопросам, они помещаются прямо в инструкцию модели. Векторная база не нужна.
Если ответы надо искать в сотнях страниц регламентов, каталогов и договоров, без нее не обойтись: вся база не поместится в запрос, а платить за передачу всех документов при каждом вопросе дорого. Тогда строится база знаний с ИИ-помощником на принципе RAG: поиск по векторной базе плюс ответ модели.
