статья 20 мая 2026· обновлено 3 октября 2026· 6 мин чтения· Команда AISSE

Векторный поиск: что это и как работает

Объясняем векторный поиск без математики: как текст превращается в числа, почему это находит товар без совпадения слов и где такой поиск ошибается.

Векторный поиск — это способ искать по смыслу текста, а не по совпадению слов. Он умеет находить экскаватор по запросу «выкопать яму под фундамент», хотя общих слов в них нет. Разберём, как это устроено, без формул.

Как работает векторный поиск

Модель читает текст и выдаёт набор чисел — вектор. Правило одно: близкие по смыслу тексты дают близкие векторы.

Дальше всё просто:

Каждой карточке каталога один раз считается вектор — по названию, описанию и характеристикам.
Запросу клиента считается вектор в момент поиска.
Система ищет карточки, чьи векторы ближе всего к вектору запроса.

Никакого перебора слов не происходит. Сравниваются смыслы.

Чем это отличается от обычного поиска

Полнотекстовый поиск отвечает на вопрос «где встречаются эти слова». Векторный — на вопрос «что похоже по смыслу».

Разница на примерах:

«чем поднять плиту на третий этаж» → находит кран-манипулятор, хотя слова «кран» в запросе нет;
«что-нибудь недорогое для дачи» → находит технику и услуги нужного класса, а не карточку со словом «недорогое»;
«мойка высокого давления» → тут отлично сработает и обычный поиск: слова совпадают.

Отсюда вывод: векторный поиск не отменяет полнотекстовый, он закрывает те запросы, где слова не совпадают.

Семантический векторный поиск: в чём разница

Семантический поиск — это задача: найти по смыслу. Векторный — способ её решить: перевести смысл в числа и сравнить их. Когда говорят «семантический векторный поиск», имеют в виду именно это сочетание.

Бывает семантический поиск и без векторов: по словарям синонимов, по правилам, по онтологиям. Он предсказуем, но не понимает формулировок, которых нет в словаре. Векторы понимают любые, но иногда ошибаются уверенно. На практике их совмещают: словарь ловит точные термины, вектор — всё остальное.

Как это устроено у крупных площадок

Маркетплейсы и классифайды вроде Авито, Озона и Яндекс Маркета используют векторный семантический поиск давно. По их публичным докладам схема похожа:

запрос и объявление переводятся в векторы моделями, обученными на истории кликов и покупок, а не только на тексте;
сначала быстро отбираются несколько сотен кандидатов по близости векторов;
затем их переранжирует отдельная модель, которая учитывает цену, регион, свежесть и поведение покупателей.

Алгоритм каждой площадки закрыт, но принцип общий: вектор отвечает за то, чтобы нужное попало в кандидаты, а ранжирование — за порядок. Магазину на тысячу карточек вся эта машина не нужна, но идея та же: смысл плюс фильтры плюс порог.

Где он ошибается

Слабые места нужно знать заранее:

Точные артикулы и модели. «JCB 3CX» — это не смысл, а строка. Векторный поиск здесь проигрывает точному совпадению.
Числа и единицы. «Стрела 22 метра» модель понимает как смысл, а не как условие. Числовые ограничения должны работать фильтром поверх.
Пустые карточки. Если в описании три слова, вектор посчитан по трём словам.
Похожее вместо нужного. Модель всегда найдёт что-то ближайшее. Без порога отсечения она будет предлагать похожее там, где правильный ответ — «такого нет».

Поэтому на практике работает связка: точное совпадение + вектор + фильтры + порог, ниже которого система честно отвечает, что не нашла.

Что нужно, чтобы это заработало на вашем каталоге

Осмысленные названия. Не «Модель 4213», а «Экскаватор-погрузчик, ковш 0,3 м³».
Описание хотя бы в одно-два предложения, желательно с назначением: для чего эта позиция.
Характеристики отдельными полями, а не сплошным текстом.
Регулярная переиндексация: вектор считается при загрузке карточки, изменили описание — пересчитайте.

Подробный чек-лист — в статье как подготовить каталог к умному поиску.

Сколько это стоит по ресурсам

Три величины, которые стоит понимать перед внедрением:

Индексация. Считается один раз на карточку и повторяется при изменении. Для каталога в несколько тысяч позиций это минуты.
Поиск. Сравнение векторов — быстрая операция. До нескольких тысяч карточек она уверенно укладывается в доли секунды даже без специальной базы.
Хранение. Вектор — это несколько сотен чисел на карточку. На больших каталогах имеет смысл специализированное хранилище, на средних хватает обычной базы.

Вывод и следующий шаг

Векторный поиск — рабочий инструмент против запросов, где клиент описывает задачу своими словами. Он не заменяет точный поиск и фильтры, а дополняет их.

Следующий шаг: возьмите десять запросов, на которых ваш поиск сейчас выдаёт пустоту, и посмотрите, есть ли в каталоге товар, который человек имел в виду. Если есть — вам не хватает именно смысла.

Частые вопросы

Векторный поиск и семантический — это одно и то же?

Почти. «Семантический» описывает результат — поиск по смыслу. «Векторный» описывает способ, которым это сделано.

Нужна ли специальная база данных?

Не всегда. На каталогах до нескольких тысяч позиций близость считается прямо в приложении. Векторные расширения баз нужны, когда карточек десятки тысяч. Сравнение вариантов — в статье векторный поиск в PostgreSQL, Elasticsearch и векторных БД.

Как часто пересчитывать векторы?

При каждом изменении названия, описания или характеристик карточки. Цена и наличие на вектор не влияют.

Векторный поиск работает с опечатками?

Обычно да, потому что смысл сохраняется. Но грубые опечатки в редких словах лучше чинить отдельно.

Можно ли совместить его с фильтрами?

Не просто можно, а нужно: фильтры отсекают по жёстким условиям, вектор ранжирует то, что осталось.

Что делать, если поиск выдаёт «похожее», а не нужное?

Настроить порог отсечения и явно говорить клиенту, что точного совпадения нет. Об этом — честное «нет» работает лучше похожего товара.