[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"glossary-vector-database::ru":3,"gloss-cluster-vector-database::ru":23,"gloss-next-vector-database::ru":9},{"slug":4,"category":5,"name":6,"definition":7,"meta_desc":8,"faq":9,"schema_markup":9,"related":10},"vector-database","core-ai","Векторная база данных","Векторная база данных — это хранилище данных, специально созданное для хранения многомерных числовых векторов (embedding'ов) и ответа на запросы вида «найди мне векторы, наиболее похожие на этот» в масштабе — обычно через алгоритмы приближённого поиска ближайших соседей (approximate nearest neighbor, ANN), такие как HNSW или IVF, которые жертвуют небольшой точностью ради огромного прироста скорости по сравнению с перебором методом грубой силы. Это важно для SaaS\u002FAI-разработчиков, потому что именно это инфраструктура, которая делает возможными RAG, семантический поиск, дедупликацию и рекомендательные функции: вместо сопоставления по точным ключевым словам вы сопоставляете по смыслу. Популярные варианты охватывают широкий спектр: специализированные векторные базы данных вроде Pinecone, Weaviate, Qdrant и Milvus изначально построены вокруг векторов с богатой фильтрацией и горизонтальным масштабированием; pgvector добавляет векторные столбцы и операторы сходства прямо в PostgreSQL, позволяя командам не запускать отдельную базу данных, если масштаб этого не требует; а Redis, Elasticsearch и MongoDB прикрутили векторный поиск к своим существующим движкам. Механика такова: каждый документ (или фрагмент документа) превращается в вектор через модель embedding, сохраняется вместе с метаданными (URL источника, временная метка, теги) и индексируется. Запрос кодируется тем же способом, а база данных возвращает ближайшие векторы по метрике расстояния — обычно косинусному сходству или скалярному произведению. Конкретный пример с pgvector в Postgres: `CREATE TABLE docs (id serial, content text, embedding vector(1536)); CREATE INDEX ON docs USING hnsw (embedding vector_cosine_ops); SELECT content FROM docs ORDER BY embedding \u003C=> '[0.012, -0.045, ...]' LIMIT 5;` — этот единственный запрос возвращает 5 наиболее семантически похожих на входной вектор документов за миллисекунды, даже среди миллионов строк. Выбор между управляемой векторной базой данных и pgvector внутри Postgres — это реальное архитектурное решение: управляемые сервисы масштабируются дальше при меньшей операционной нагрузке, но добавляют новую систему и статью расходов; pgvector сохраняет ваш стек простым, если вы уже на Postgres, а корпус — в пределах низких миллионов векторов. Помимо чистого поиска по сходству, большинство продакшн-векторных баз данных поддерживают фильтрацию по метаданным (например, «искать только среди документов с тегами `region: EU` и `status: published`»), что необходимо для мультитенантных SaaS-продуктов, где RAG-запросы одного клиента никогда не должны показывать приватные документы другого клиента — фильтрация происходит на уровне запроса к базе данных, а не как проверка постфактум, чтобы никогда не передавать LLM данные не того тенанта. Стратегия перестроения индекса тоже важна на практике: по мере добавления, обновления или удаления документов векторный индекс должен оставаться синхронизированным, и одни базы данных справляются с этим через почти мгновенные upsert'ы, а другие требуют периодической полной переиндексации — существенная разница для продукта, где контент меняется часто (например, живая база знаний тикетов поддержки), по сравнению с редко меняющимся (например, статичное руководство пользователя).","Векторная база данных хранит эмбеддинги и обеспечивает быстрый поиск по сходству — основа ретривала для RAG, семантического поиска и рекомендаций.",null,[11,14,17,20],{"slug":12,"name":13},"embedding","Эмбеддинг (векторное представление)",{"slug":15,"name":16},"retrieval","Извлечение (Retrieval)",{"slug":18,"name":19},"retrieval-augmented-generation","Генерация с дополненным поиском (RAG)",{"slug":21,"name":22},"semantic-search","Семантический поиск (Semantic Search)",[24,28,32,36,39,42,45,48,51,54,57,60],{"slug":25,"category":5,"name":26,"updated_at":27},"agentic","Агентный AI (Agentic AI)","2026-08-24T02:46:36+00:00",{"slug":29,"category":5,"name":30,"updated_at":31},"alignment-tax","Налог на выравнивание (Alignment Tax)","2026-08-24T02:46:37+00:00",{"slug":33,"category":5,"name":34,"updated_at":35},"artificial-intelligence","Искусственный интеллект (ИИ)","2026-08-24T02:46:38+00:00",{"slug":37,"category":5,"name":38,"updated_at":27},"attention","Внимание (Attention)",{"slug":40,"category":5,"name":41,"updated_at":35},"beam-search","Лучевой поиск",{"slug":43,"category":5,"name":44,"updated_at":31},"benchmark-contamination","Загрязнение бенчмарка (Benchmark Contamination)",{"slug":46,"category":5,"name":47,"updated_at":31},"catastrophic-forgetting","Катастрофическое забывание (Catastrophic Forgetting)",{"slug":49,"category":5,"name":50,"updated_at":35},"computer-vision","Компьютерное зрение",{"slug":52,"category":5,"name":53,"updated_at":31},"constitutional-ai","Конституционный ИИ (Constitutional AI)",{"slug":55,"category":5,"name":56,"updated_at":27},"context-window","Контекстное окно",{"slug":58,"category":5,"name":59,"updated_at":35},"deep-learning","Глубокое обучение",{"slug":61,"category":5,"name":62,"updated_at":27},"diffusion-model","Диффузионная модель (Diffusion Model)"]