Learn
Что такое embedding?
Embedding — dense vector representation текста или данных: числа, которые кодируют semantic meaning, чтобы похожие concepts были близко в vector space. Embeddings питают semantic search, RAG retrieval и clustering в agent memory.
Подробнее
Языковые модели читают токены; базам и поиску нужна сравнимая геометрия. Embedding-модель переводит фрагмент текста в вектор фиксированной длины (часто 768–3072 измерения). Близкие по смыслу фрагменты дают векторы с высокой cosine similarity.
В агентных системах embeddings обычно в трёх местах: retrieval — найти документы для RAG; память — хранить прошлые решения и доставать нужное; routing — классифицировать intent или выбрать skill/роль.
Качество зависит от модели, нарезки чанков и metadata-фильтров. Короткие чанки точнее; длинные дают больше контекста. Hybrid search (embeddings + keyword) часто сильнее любого одного метода.
Роли Neuro OS сочетают слои памяти и retrieval через коннекторы — embeddings остаются деталью реализации, а не ручной настройкой каждого оператора.
Примеры
- База поддержки — эмбеддить историю тикетов; доставать похожие закрытые кейсы
- Юридический разбор — эмбеддить пункты договоров; поднимать прецеденты
- Продажи — эмбеддить заметки по лидам; сопоставлять с выигранными сделками
- OpenAI text-embedding-3 — типичный API для production RAG
- Чанк + фильтр метаданных — «только финансовые документы за 2025»
Связанные термины
FAQ
Embeddings — это то же, что fine-tuning?
Нет. Fine-tuning меняет веса модели. Embeddings — отдельные векторы для поиска без переобучения LLM.
Какой размер чанка брать?
Обычно 256–1024 токена. Настраивайте на своём eval — юридический текст режется иначе, чем логи чата.
Запускайте роли агентов на корпоративной ОС — не только определения в глоссарии.