[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"glossary-hypothetical-document-embeddings::ru":3,"gloss-cluster-hypothetical-document-embeddings::ru":26,"gloss-next-hypothetical-document-embeddings::ru":9},{"slug":4,"category":5,"name":6,"definition":7,"meta_desc":8,"faq":9,"schema_markup":9,"related":10},"hypothetical-document-embeddings","prompt-eng","Гипотетические эмбеддинги документов (HyDE)","Гипотетические эмбеддинги документов (HyDE) — приём поиска, улучшающий retrieval за счёт эмбеддинга поддельного ответа вместо самого вопроса. В методе (Gao et al., 2022) поток такой: попросите LLM написать правдоподобный документ, который отвечал бы на запрос пользователя, вычислите эмбеддинг этого гипотетического текста и по его вектору найдите похожие реальные документы. Идея в том, что полноценный гипотетический ответ в пространстве эмбеддингов ближе к настоящим фрагментам-ответам, чем короткий, бедный на ключевые слова вопрос, — так закрывается разрыв в лексике «вопрос против ответа», мешающий плотному поиску. Приём работает zero-shot, без обучения ретривера на ваших данных, что делает его привлекательным на ранней стадии RAG-проекта. Для разработчиков это шаг перед вашим векторным поиском; сгенерированный черновик выбрасывается, используется только его эмбеддинг. Оговорки: он добавляет вызов LLM перед каждым поиском (задержка и стоимость), и если модель нафантазирует ответ не по теме, retrieval может уйти в сторону — поэтому пользы больше всего, когда у модели есть реальная предметная компетентность.","HyDE улучшает retrieval, вычисляя эмбеддинг правдоподобного поддельного ответа вместо вопроса: в векторном пространстве ответы ближе к реальным документам.",null,[11,14,17,20,23],{"slug":12,"name":13},"embedding","Эмбеддинг (векторное представление)",{"slug":15,"name":16},"reranking","Реранкинг (Reranking)",{"slug":18,"name":19},"retrieval","Извлечение (Retrieval)",{"slug":21,"name":22},"retrieval-augmented-generation","Генерация с дополненным поиском (RAG)",{"slug":24,"name":25},"semantic-search","Семантический поиск (Semantic Search)",[27,31,34,37,41,44,47,50,53,56,59,62],{"slug":28,"category":5,"name":29,"updated_at":30},"analogical-prompting","Analogical Prompting","2026-08-24T02:46:37+00:00",{"slug":32,"category":5,"name":33,"updated_at":30},"automatic-prompt-optimization","Автоматическая оптимизация промптов",{"slug":35,"category":5,"name":36,"updated_at":30},"chain-of-density","Цепочка плотности (CoD)",{"slug":38,"category":5,"name":39,"updated_at":40},"chain-of-thought-prompting","Chain-of-thought-промптинг (промптинг с цепочкой рассуждений)","2026-08-24T02:46:36+00:00",{"slug":42,"category":5,"name":43,"updated_at":30},"chain-of-verification","Chain-of-Verification",{"slug":45,"category":5,"name":46,"updated_at":40},"chunking","Чанкинг (Chunking)",{"slug":48,"category":5,"name":49,"updated_at":40},"constrained-decoding","Ограниченное декодирование (Constrained Decoding)",{"slug":51,"category":5,"name":52,"updated_at":40},"context-stuffing","Переполнение контекста (Context Stuffing)",{"slug":54,"category":5,"name":55,"updated_at":40},"delimiter","Разделитель (Delimiter)",{"slug":57,"category":5,"name":58,"updated_at":30},"directional-stimulus-prompting","Directional Stimulus Prompting",{"slug":60,"category":5,"name":61,"updated_at":30},"emotion-prompting","Emotion Prompting",{"slug":63,"category":5,"name":64,"updated_at":40},"few-shot-prompting","Few-shot-промптинг (промптинг с примерами)"]