Векторная база данных: что это и как выбрать

Векторная база данных хранит эмбеддинги и быстро ищет ближайшие к запросу векторы. Обычно вместе с вектором сохраняются исходный текст, идентификатор документа и metadata: язык, дата, источник, категория и права доступа.

Почему обычного перебора недостаточно

Точный поиск сравнивает запрос с каждым вектором. На небольшом наборе это работает, но стоимость растёт вместе с числом объектов. Для больших коллекций применяют approximate nearest neighbors — приближённый поиск соседей.

Распространённые индексы:

• HNSW строит граф связей между близкими векторами и даёт хорошую скорость и recall ценой памяти;
• IVF делит пространство на кластеры и во время запроса просматривает только часть из них;
• PQ сжимает векторы и уменьшает память, допуская потерю точности.

Параметры индекса управляют компромиссом между скоростью, памятью и полнотой выдачи. Их нельзя выбирать отдельно от реальных запросов.