Document Store не равен vector database. Векторная база хранит embeddings и помогает быстро искать похожие фрагменты. Document Store хранит сам источник и структуру вокруг него: откуда документ пришел, кто имеет доступ, какая версия актуальна, какие страницы попали в индекс и где лежит оригинал.
В RAG-сценарии Document Store обычно стоит между загрузкой документов и поиском. Сначала файл попадает в хранилище, затем проходит document parser, очистку, chunking и индексацию. После этого агент может найти нужный фрагмент и показать citation на исходный документ.
Для бизнеса Document Store важен не меньше модели. Если документы перемешаны, нет версий, прав доступа и источников, агент начнет отвечать по устаревшим или чужим данным. Поэтому хранилище должно фиксировать metadata, обновления, удаление, audit log и правила доступа.
Хороший Document Store помогает не только отвечать на вопросы. Он дает основу для обработки входящих документов, базы знаний, юридических проверок, финансовых документов, внутреннего поиска и поддержки клиентов.
Примеры
- Компания загружает регламенты в Document Store, а агент отвечает сотрудникам с ссылками на нужные разделы.
- PDF-договор сохраняется вместе с версией, страницами, extracted text и metadata по контрагенту.
- База знаний поддержки хранит статьи, дату обновления, автора и статус: опубликовано, черновик или устарело.
- При поиске по документам агент берет chunks из индекса, но citation ведет в исходный файл из Document Store.
- Если сотрудник не имеет доступа к папке, агент не должен использовать эти документы в ответе.
- После обновления инструкции старые embeddings пересчитываются, а Document Store помечает предыдущую версию как архивную.
Где используется
- RAG по внутренним документам
- база знаний компании
- внутренний поиск по PDF, DOCX и Google Docs
- поддержка клиентов по базе знаний
- хранение источников для citations
- контроль версий документов
- права доступа к документам
- подготовка документов к chunking и embeddings
- обработка входящих документов
- юридические и финансовые workflow
Связанные термины
Частые вопросы
Document Store и vector database - это одно и то же?
Нет. Vector database хранит embeddings для поиска похожих фрагментов. Document Store хранит оригинальные документы, текст, chunks, metadata, версии, права доступа и ссылки на источники.
Что должно храниться в Document Store?
Оригинальный файл, извлеченный текст, chunks, metadata, источник, дата загрузки, версия, статус обработки, владелец, права доступа и связь с embeddings.
Зачем Document Store нужен AI-агенту?
Чтобы агент понимал, откуда взята информация, мог показать источник, не отвечал по устаревшим файлам и соблюдал доступы пользователя.
Можно ли использовать Google Drive или Confluence как Document Store?
Да, если система умеет читать документы, отслеживать изменения, хранить metadata и синхронизировать их с индексом для поиска.
Какая главная ошибка при создании Document Store?
Хранить только текст без источника, версии и прав доступа. Тогда агент может дать правильный по форме, но опасный по смыслу ответ.
Как понять, что Document Store работает хорошо?
Документы обновляются без дублей, поиск возвращает актуальные chunks, citations открывают исходники, доступы соблюдаются, а ошибки обработки видны в audit log.
