Проще говоря, модель берет объект и размещает его в воображаемом многомерном пространстве. Объекты с похожим смыслом оказываются ближе друг к другу, а непохожие - дальше. Например, вопросы “как оформить возврат” и “как вернуть товар” должны получить близкие vectors, даже если слова разные.
Вектор обычно выглядит не как одно число, а как длинный массив: например `[0.12, -0.44, 0.08, ...]`. В реальных embedding-моделях таких чисел могут быть сотни или тысячи. Количество чисел называют размерностью вектора. Если модель создает vectors длиной 1536, то векторная база должна быть настроена на такую же размерность.
Сам по себе вектор не является понятным человеку описанием смысла. Нельзя открыть один конкретный элемент массива и сказать: “это число отвечает за тему доставки”. Значение распределено по всему набору чисел. Поэтому vectors используют не для чтения человеком, а для математического сравнения: cosine similarity, dot product, distance и другие меры близости.
В RAG векторы появляются так: документ режут на chunks, каждый chunk отправляют в embedding-модель, модель возвращает vector, затем vector вместе с текстом и metadata сохраняют в векторную базу. Когда пользователь задает вопрос, вопрос тоже превращают в vector, а база ищет ближайшие chunks. Найденные фрагменты передаются LLM как контекст.
Вектор не гарантирует правильный ответ. Он помогает найти похожие объекты, но похожее не всегда означает релевантное. Внутренние термины, номера договоров, артикулы, даты и точные названия часто лучше ловятся keyword search. Поэтому в production RAG vectors обычно дополняют metadata filtering, hybrid search, reranking, citations и evals.
Важно не смешивать vectors от разных embedding-моделей без проверки. Если старые документы были закодированы одной моделью, а новые - другой, расстояния между ними могут стать некорректными. При смене embedding-модели индекс часто пересобирают полностью или ведут отдельные версии.
Примеры
- Вопрос “как подключить RAG к агенту” превращают в vector и ищут похожие chunks в базе знаний.
- Две статьи про embeddings и semantic search получают близкие vectors, потому что темы связаны по смыслу.
- Карточки похожих товаров можно сравнивать по vectors описаний, характеристик и изображений.
- После смены embedding-модели команда пересоздает vectors для всех документов, чтобы поиск оставался корректным.
- Внутренний поиск использует vectors для смысла, а keyword search - для точных номеров договоров и артикулов.
Где используется
- embeddings
- semantic search
- RAG по документам
- векторная база
- поиск похожих фрагментов
- поиск дублей
- рекомендации товаров или статей
- кластеризация данных
- hybrid search
- оценка близости через cosine similarity
Связанные термины
Chunking
Cosine similarity
DataFrame
Dataset для evals
Document chunk
Embedding model
Embeddings
Hybrid search
Частые вопросы
Что такое вектор простыми словами?
Это список чисел, которым AI представляет объект: текст, документ, изображение или товар. Благодаря этому компьютер может сравнивать объекты и искать похожие по смыслу.
Вектор и embedding - это одно и то же?
Часто в разговоре да. Точнее, embedding - это векторное представление объекта, которое создала embedding-модель. То есть embedding обычно хранится как vector.
Что значит размерность вектора?
Это количество чисел внутри vector. Если embedding-модель возвращает 1536 чисел, размерность равна 1536. Векторная база должна знать эту размерность заранее.
Можно ли понять смысл по одному числу вектора?
Обычно нет. Смысл распределен по всему массиву чисел. Векторы полезны не для ручного чтения, а для сравнения близости между объектами.
Почему vectors могут давать плохой поиск?
Причины: слабая embedding-модель, плохой chunking, устаревшие документы, смешанные модели, неверный top k или запросы с точными кодами и номерами, где нужен keyword search.
