Learn
Что такое vector database?
Vector database хранит embeddings и retrieves nearest neighbors по semantic similarity — retrieval layer для RAG, agent memory и recommendations.
Подробнее
Обычные базы ищут точные ключи; векторные — смысл. Документы эмбеддят в векторы, индексируют (HNSW, IVF и т.д.) и по эмбеддингу вопроса достают top-k похожих чанков.
В агентном стеке vector DB стоит между сырым корпусом и LLM: ingest → chunk → embed → store → retrieve на каждую задачу. Фильтры метаданных (дата, отдел, id клиента) сужают выдачу до similarity search.
Варианты 2026: Pinecone, Weaviate, Qdrant, pgvector на Postgres, managed-облака. Выбор — масштаб, готовность к ops и residency.
Коннекторы Neuro OS брокерят доступ — агенты достают данные через scoped-роли, а не держат сырые креды БД в промпте.
Примеры
- База поддержки — эмбеддить тикеты; доставать похожие закрытые кейсы
- pgvector — векторы внутри уже существующего Postgres
- Hybrid search — векторы + BM25 для лучшего recall
- Фильтр метаданных — «документы с тегом finance AND 2025»
- Agent RAG — top 8 чанков попадают в context window
Связанные термины
FAQ
Всегда ли нужна vector DB?
На маленьком корпусе хватит brute-force или keyword. Vector DB окупается на тысячах чанков и частом retrieval.
Vector DB vs embedding-модель?
Модель производит векторы; база их хранит и ищет. Для semantic retrieval в масштабе нужны оба.
Запускайте роли агентов на корпоративной ОС — не только определения в глоссарии.