Векторный поиск с векторным хранилищем
Извлекайте наиболее релевантные фрагменты
«Векторный поиск с векторным хранилищем» — бесплатный урок NLP Academy на CoddyKit. Это урок 3 из 4. Ты можешь прочитать весь урок бесплатно ниже — а потом практиковать его прямо в браузере с встроенным редактором кода и ИИ-репетитором 24/7. Это часть пути обучения NLP Academy, и твой прогресс синхронизируется между веб-версией и приложением CoddyKit. Курс NLP Academy содержит 4 уроков всего.
Части этого урока еще не переведены и отображаются на английском.
What a Vector Store Does
A vector store holds your chunk embeddings and finds the closest ones to a query fast, even across millions of vectors.
Searching by Similarity
Instead of matching keywords, you match meaning. The store returns chunks whose vectors sit nearest to the query vector.
Cosine Similarity
The common distance measure is cosine similarity. It compares the angle between two vectors, so closer in meaning scores higher.
Embed the Query the Same Way
The question must use the same model as your chunks. Mismatched embeddings live in different spaces and cannot be compared.
query_vec = model.encode(["How do I reset my password?"])Top-K Retrieval
You rarely want every match. Ask the store for the top-k nearest chunks, where k is a small number like 3 or 5.
A Simple In-Memory Store
For small data, FAISS keeps vectors in memory and searches in milliseconds. You build an index, then add your vectors.
import faiss
index = faiss.IndexFlatIP(384)
index.add(vectors)Running a Search
Call search with the query vector and k. It returns the scores and the indexes of the best-matching chunks.
scores, ids = index.search(query_vec, k=3)Mapping Results Back to Text
The store gives you indexes, not text. Use them to look up the original chunks you stored alongside the vectors.
hits = [chunks[i] for i in ids[0]]Persistent Vector Databases
For real apps, a vector database like Chroma or Pinecone stores vectors on disk, scales out, and survives restarts.
Filtering With Metadata
Attach tags such as author or date to each vector. Then you can filter the search, like only chunks from one document.
Why Approximate Search Helps
Exact search gets slow at scale. Approximate nearest-neighbor indexes trade a tiny bit of accuracy for huge speed gains.
Quick Check
Recall how a vector store finds relevant chunks.
Recap
A vector store embeds the query, finds the top-k nearest chunks by similarity, and maps results back to text. ✅
Часто задаваемые вопросы
Урок «Векторный поиск с векторным хранилищем» бесплатный?
Да — полный текст урока «Векторный поиск с векторным хранилищем» бесплатно доступен здесь в веб-версии. Чтобы практиковать его интерактивно (встроенный редактор кода и ИИ-репетитор 24/7) и разблокировать остальной курс NLP Academy, подпишись на CoddyKit PRO. Курс NLP Academy содержит 4 уроков всего.
Чему я научусь в уроке «Векторный поиск с векторным хранилищем»?
Извлекайте наиболее релевантные фрагменты Ты практикуешь NLP Academy с помощью реального кода, который запускаешь прямо в браузере, и ИИ-репетитор 24/7 отвечает на твои вопросы во время урока.
Нужен ли мне опыт, чтобы начать NLP Academy?
Предыдущий опыт не требуется. NLP Academy на CoddyKit структурирован для всех уровней — от новичков до продвинутых, поэтому ты можешь начать отсюда или с самого начала и учиться в своем темпе. Это урок 3 из 4.
Сколько времени занимает урок «Векторный поиск с векторным хранилищем»?
Большинство уроков CoddyKit занимают около 5–10 минут. Каждый из них компактный и интерактивный, поэтому ты постоянно делаешь прогресс и продолжаешь с того же места в веб-версии и приложении.
Можно ли писать и запускать код в этом уроке NLP Academy?
Да. Каждый урок NLP Academy включает встроенный редактор кода, поэтому ты пишешь и запускаешь реальный код прямо в браузере и получаешь моментальную обратную связь от AI — локальная установка не требуется.
Все уроки этого курса
- Зачем LLM нужен поиск
- Разбиение документов на фрагменты и создание векторных представлений
- Векторный поиск с векторным хранилищем
- Встраивание поиска в запрос