{"canonical_url":"https://engineer.company/uk/glossary/vector-search/","content_markdown":"# Векторний пошук\n\n## Що це таке\n\nВекторний пошук знаходить ті збережені об'єкти, чиї вектори лежать найближче до\nвектора запиту. Англійською його називають vector search. Вектор тут — це список\nчисел фіксованої довжини, який модель ембедингів обчислює з фрагмента тексту,\nзображення чи картки товару. Модель навчено так, щоб об'єкти зі схожим змістом\nотримували близькі вектори, тому питання і фрагмент, що на нього відповідає,\nможуть опинитися поруч, навіть якщо спільних слів у них немає.\n\n«Найближче» потребує міри. pgvector, розширення PostgreSQL, на якому побудовано\nприклади цієї статті, підтримує шість: відстань L2 (евклідову), скалярний\nдобуток, косинусну відстань і відстань L1, а для бінарних векторів ще відстань\nГеммінга та відстань Жаккара. Для якої міри розраховано вектори, вказує\nдокументація самої моделі. Для векторів, нормалізованих до довжини 1, косинусна\nвідстань і скалярний добуток розставляють сусідів в однаковому порядку, і тут\npgvector радить скалярний добуток, бо він дає найкращу швидкодію.\n\nВідповісти на запит можна двома способами. Точний пошук порівнює запит із кожним\nзбереженим вектором і повертає справжніх найближчих сусідів. Так pgvector працює\nза замовчуванням, і документація називає це ідеальною повнотою (recall): до\nрезультату потрапляють усі справжні сусіди. Наближений пошук може використовувати\nіндекс, який переглядає лише частину даних, і жертвує частиною повноти заради\nшвидкості. Скільки справжніх сусідів повернеться, залежить від даних, індексу\nта його налаштувань; навіть більшість не гарантована. Тому pgvector попереджає, що наближений індекс, на відміну від\nзвичайного, змінює те, що повертає запит.\n\npgvector має два типи наближених індексів. HNSW будує граф із кількох шарів;\nцей метод уперше описано в статті 2016 року. Кожен шар містить підмножину вузлів\nшару під ним, пошук починається в невеликому верхньому шарі й спускається до\nповного, а за даними статті вартість пошуку зростає логарифмічно. IVFFlat\nділить вектори на списки й шукає лише в тих списках, що лежать найближче до\nзапиту.\n\n## Чому це важливо\n\nПовнотекстовий пошук порівнює слова. За самої лише відповідності слів і стемінгу клієнт, який пише «екран залишається\nчорним», не побачить розділу інструкції із заголовком «дисплей не вмикається»,\nбо спільного слова в цих фразах немає навіть після відкидання закінчень.\nНалаштовані синоніми можуть подолати частину таких розбіжностей.\nВекторний пошук порівнює зміст так, як його вловила модель ембедингів, тож\nскарга й розділ можуть опинитися поруч. Та сама ідея працює не лише з текстом:\nзображення, схоже на це, звернення до підтримки, схоже на вже розв'язане, товар,\nсхожий на той, що лежить у кошику.\n\nЦе також один зі способів виконати пошукову частину генерації, доповненої\nпошуком: велика мовна модель відповідає на питання, спираючись на знайдені для\nнього фрагменти. Питання перетворюють на вектор тією самою моделлю, що й\nфрагменти, а найближчі фрагменти додають до промпту. Відповідь не буде кращою за\nте, що повернув пошук, тож пошук заслуговує на таку саму увагу, як і модель.\n\nЗберігати вектори в базі даних, яка у вас уже працює, вигідно з практичного\nпогляду, і pgvector відкриває свою документацію саме цим аргументом. Вектори\nотримують ті самі транзакції, відновлення на момент часу (point-in-time\nrecovery) і з'єднання таблиць, що й будь-який інший стовпець, а оскільки\npgvector пише в журнал попереднього запису (WAL), реплікація переносить і їх.\nФільтр за клієнтом, датою чи правами доступу — звичайна умова `WHERE` на тому\nсамому рядку. Знімок, зроблений після фіксації видалення, уже не бачить\nдокумента, але запит зі старішим знімком усе ще може його бачити. Окреме векторне сховище — це ще одна система, яку\nтреба наповнювати й тримати в узгодженому стані з першою.\n\nКоманді варто знати й те, чого векторний пошук не робить. Він ранжує за\nблизькістю, а не за істинністю. Найближчий фрагмент — той, що найбільше схожий\nна питання; він усе одно може бути застарілим, хибним або взятим із документа,\nякий читачеві бачити не можна. Деякі питання тримаються на одному точному слові,\nяк-от імені, артикулі чи коді помилки, і документація pgvector пропонує\nпоєднувати векторний пошук із повнотекстовим пошуком PostgreSQL. Таке поєднання\nназивають гібридним пошуком.\n\n## Як це виглядає на практиці\n\npgvector у версії 0.8.7, актуальній у жовтні 2026 року, підтримує PostgreSQL 13\nі новіші. Розширення вмикають один раз у кожній базі даних, після чого таблиця\nотримує стовпець типу `vector` з тією кількістю вимірів, яку видає модель:\n\n```sql\nCREATE EXTENSION vector;\n\nCREATE TABLE passages (\n    id        bigserial PRIMARY KEY,\n    source    text NOT NULL,\n    body      text NOT NULL,\n    embedding vector(3)\n);\n\nCREATE INDEX ON passages USING hnsw (embedding vector_cosine_ops);\n```\n\nТри виміри лише роблять приклад читабельним; справжня модель видає їх значно\nбільше, і стовпець оголошує саме цю кількість. Застосунок обчислює кожен\nембединг моделлю і вставляє його поруч із текстом, з якого той походить. Індекс\nприв'язаний до однієї відстані: `vector_cosine_ops` обслуговує запити,\nупорядковані за косинусною відстанню, а запитові, упорядкованому за відстанню\nL2, потрібен ще один індекс, побудований із `vector_l2_ops`. HNSW не потребує\nетапу навчання, тому індекс можна створити й на таблиці без рядків.\n\nЗапит перетворює питання на вектор тією самою моделлю і просить найближчі\nфрагменти:\n\n```sql\nSELECT id, source, body\nFROM   passages\nORDER  BY embedding \u003c=\u003e $1\nLIMIT  5;\n```\n\n`\u003c=\u003e` — це косинусна відстань, а `$1` — вектор запиту, переданий як параметр.\nДві деталі дають PostgreSQL змогу скористатися індексом: у запиті є і\n`ORDER BY`, і `LIMIT`, а `ORDER BY` стоїть на самому операторі відстані в\nпорядку зростання. Оцінка схожості для показу, `1 - (embedding \u003c=\u003e $1)`,\nналежить до списку `SELECT`. Інші оператори — `\u003c-\u003e` для відстані L2, `\u003c+\u003e` для\nL1 і `\u003c#\u003e` для скалярного добутку. Останній повертає скалярний добуток зі знаком\nмінус, бо PostgreSQL сканує індекс за оператором лише в порядку зростання.\n\nHNSW-індекс має два параметри побудови: `m`, найбільшу кількість зв'язків на\nшар, за замовчуванням 16, і `ef_construction`, розмір списку кандидатів під час\nпобудови, за замовчуванням 64. Під час пошуку розмір списку кандидатів задає\n`hnsw.ef_search`, за замовчуванням 40. Більше значення дає кращу повноту ціною\nшвидкості, а `SET LOCAL` підвищує його до кінця поточної транзакції.\nЩоб обмежити налаштування одним запитом, помістіть у транзакцію лише цей запит. Щоб дізнатися, скільки повноти забирає індекс, виконайте той самий запит\nу транзакції з `SET LOCAL enable_indexscan = off`, що дає точну відповідь, і\nпорівняйте два списки.\n\nУ [роботі компанії з ШІ-агентами](/uk/ai-agents/) пам'ять агента про минулі\nсправи зберігається у власній базі даних клієнта, а не в історії чату\nпостачальника. Таблиця на кшталт `passages` — одна з форм, яких може набути така\nпам'ять: коли надходить нова справа, найсхожіші минулі справи лежать за один\nзапит від неї, у тій самій базі даних і під тими самими правами доступу, що й\nрешта даних.\n\nГібридний пошук виконує обидва пошуки й зводить два списки в один. Документація\npgvector називає для цього Reciprocal Rank Fusion зі статті Кормака, Кларка й\nБюттхера 2009 року: кожен документ отримує 1 / (k + ранг) за кожен список, у\nякому він трапляється, і ці частки додаються. Автори взяли k рівним 60, а їхні\nпопередні прогони показали, що це значення близьке до оптимального, але сам\nвибір не критичний: «near-optimal, but that the choice was not critical». Якщо в\nтій самій таблиці є стовпець `search_vec` типу `tsvector`, побудований так само,\nяк для повнотекстового пошуку, об'єднаний запит має такий вигляд:\n\n```sql\nWITH semantic AS (\n    SELECT id, row_number() OVER (ORDER BY dist) AS r\n    FROM  (SELECT id, embedding \u003c=\u003e $1 AS dist\n           FROM   passages\n           ORDER  BY dist\n           LIMIT  20) AS nearest\n),\nkeyword AS (\n    SELECT id, row_number() OVER (ORDER BY score DESC) AS r\n    FROM  (SELECT id, ts_rank_cd(search_vec, query) AS score\n           FROM   passages, plainto_tsquery('english', $2) AS query\n           WHERE  search_vec @@ query\n           ORDER  BY score DESC\n           LIMIT  20) AS matches\n)\nSELECT id,\n       coalesce(1.0 / (60 + s.r), 0)\n     + coalesce(1.0 / (60 + k.r), 0) AS rrf\nFROM   semantic AS s\nFULL   JOIN keyword AS k USING (id)\nORDER  BY rrf DESC\nLIMIT  5;\n```\n\nКожен пошук залишає власні 20 найкращих результатів і нумерує їх від 1.\nФрагмент, який обидва пошуки ставлять високо, отримує дві частки й піднімається\nнагору; фрагмент, який знайшов лише один пошук, зберігає одну. Злиття спирається\nна ранги, а не на оцінки, бо косинусна відстань і текстовий ранг лежать на\nшкалах, які неможливо порівняти. У `plainto_tsquery` має стояти та сама назва,\nщо й у стовпці, тут `english`. Іншим способом поєднати списки pgvector називає\nкрос-енкодер (cross-encoder).\n\n## Де виникають проблеми\n\n**Менше рядків, ніж просив `LIMIT`.** З наближеним індексом умова `WHERE`\nзастосовується лише після сканування індексу. pgvector наводить розрахунок: якщо\nумова відповідає 10% рядків, HNSW-індекс зі стандартним значенням\n`hnsw.ef_search`, що дорівнює 40, у середньому залишає лише близько 4 рядків.\nПочинаючи з версії 0.8.0, ітеративне сканування переглядає дедалі більшу частину\nіндексу, доки фільтр не пропустить достатньо рядків або не буде досягнуто меж сканування. Увімкніть його через\n`SET hnsw.iterative_scan = strict_order` або через `relaxed_order`, якщо\nпотрібна краща повнота, а результати можуть трохи порушувати порядок. Для HNSW\n`hnsw.max_scan_tuples`, за замовчуванням 20 тисяч, — приблизна межа кількості\nдодатково переглянутих кортежів, яка не впливає на початкове сканування.\nОкрема межа пам'яті також може зупинити подальше сканування. Якщо\nфільтр має лише кілька різних значень, допоможе й частковий індекс на кожне\nзначення.\n\n**Запит, який оминає індекс найближчих сусідів.** `ORDER BY 1 - (embedding \u003c=\u003e $1) DESC` сортує за виразом, а запит без `LIMIT` не запитує обмеженого результату найближчих сусідів. Жоден із цих варіантів не відповідає вимогам pgvector для використання такого індексу. Кількість рядків, які прочитає обраний план, залежить також від фільтрів та інших рішень планувальника. Індекс, побудований із `vector_l2_ops`, не допомагає запитові, упорядкованому за `\u003c=\u003e`. Сортуйте за самим оператором, за зростанням і з `LIMIT`, будуйте окремий індекс на кожну відстань, за якою шукаєте, і перевіряйте план запиту через `EXPLAIN (ANALYZE, BUFFERS)`.\n\n**IVFFlat-індекс, побудований зарано.** IVFFlat запускає k-means на рядках,\nнаявних у момент побудови індексу, і за результатом ділить вектори на списки.\nІндекс, створений на замалому обсязі даних для свого числа списків, повертає\nменше рядків, ніж просив запит, і pgvector радить видалити його, доки в таблиці\nне стане більше даних. Спершу завантажте дані, потім будуйте індекс. pgvector\nпропонує починати з кількості рядків / 1000 списків, якщо рядків до мільйона, і\nз квадратного кореня з кількості рядків, якщо більше, а probes, що за\nзамовчуванням дорівнює 1, ставити на рівні квадратного кореня з кількості\nсписків. HNSW такого етапу навчання не має.\n\n**Рядки, невидимі для пошуку.** NULL-вектори не потрапляють до індексу, як і\nнульові вектори за косинусної відстані, бо в них немає напрямку, який можна\nпорівняти. Рядок без ембедингу невидимий для пошуку за індексом. Додайте\n`NOT NULL`, щойно завантаження стане надійним, і налаштуйте регулярний\nпідрахунок рядків, яким досі бракує ембедингу.\n\n**Вектори двох моделей в одному стовпці.** Дві моделі ембедингів або дві версії\nоднієї розміщують той самий текст у різних місцях, і їхні вектори не можна\nпорівнювати, навіть коли кількість вимірів однакова. Перетворюйте питання на\nвектор тією моделлю, якою обробили фрагменти, зберігайте назву моделі в окремому\nстовпці й перераховуйте всі вектори, коли модель змінюється. Для стовпця з\nвекторами різних розмірів pgvector показує індекс за виразом з умовою для кожної\nмоделі, `WHERE (model_id = 123)`.\n\n**Забагато вимірів для індексу.** Тип `vector` зберігає до 16 тисяч вимірів, але\nHNSW та IVFFlat індексують щонайбільше 2000. Індексуйте приведення до `halfvec`,\nщоб охопити до 4000, застосуйте бінарне квантування, щоб охопити до 64 тисяч, і\nпереранжуйте короткий список за повними векторами, або індексуйте підвектор,\nякщо модель це підтримує.\n\n**Вектори одного клієнта гальмують іншого.** pgvector попереджає, що коли кілька\nклієнтів ділять один наближений індекс, вектори одного з них можуть впливати на\nповноту й швидкість для інших. Розбийте таблицю за клієнтами за допомогою\nпартиціонування за списком або дайте кожному клієнтові власну таблицю.\n\n**Побудова індексу, що блокує застосунок.** HNSW будується значно швидше, коли\nграф уміщується в `maintenance_work_mem`, і pgvector виводить повідомлення, коли\nвін уже не вміщується. Якщо ж задати цю пам'ять настільки великою, що серверу\nзабракне пам'яті, це спричинить окремий простій. На робочій системі будуйте\nіндекс через `CREATE INDEX CONCURRENTLY`, що не блокує запис.\n\n**Фрагменти, яких читач не має бачити.** Пошук по всіх фрагментах може передати\nмовній моделі текст із документа, який користувач не має права читати, і модель\nможе його процитувати. Додайте умову прав доступу в той самий `WHERE`, що й\nпошук, щоб такий рядок ніколи не залишав базу даних, і ввімкніть ітеративне\nсканування для пошуку додаткових дозволених фрагментів, коли фільтрування\nвідкидає кандидатів, у межах обмежень сканування.\n\n**Відстань, яку сприймають як упевненість.** Косинусна відстань 0,2 означає, що\nфрагмент ближчий за той, що має 0,4, а не те, що він відповідає на питання.\nПоріг, підібраний для однієї моделі, для наступної втрачає сенс. Сортуйте за\nвідстанню, обмежуйте через `LIMIT` і оцінюйте пошук на наборі реальних питань,\nдля яких правильні фрагменти відомі заздалегідь.\n\n## Що почитати далі\n\n- [pgvector](https://github.com/pgvector/pgvector) — власна документація\n  розширення: типи, оператори відстані, параметри HNSW та IVFFlat, фільтрування,\n  ітеративне сканування індексу, гібридний пошук і розв'язання проблем.\n- [Efficient and robust approximate nearest neighbor search using Hierarchical Navigable Small World graphs](https://arxiv.org/abs/1603.09320)\n  — стаття, у якій уперше описано HNSW.\n- [Reciprocal Rank Fusion outperforms Condorcet and individual Rank Learning Methods](https://cormack.uwaterloo.ca/cormacksigir09-rrf.pdf)\n  — доповідь на SIGIR 2009 з формулою злиття та попередніми прогонами, на яких\n  тримається її константа.\n- [Introduction to full text search](https://www.postgresql.org/docs/current/textsearch-intro.html)\n  — пошук за словами в PostgreSQL, друга половина гібридного запиту.\n- [Controlling Text Search](https://www.postgresql.org/docs/current/textsearch-controls.html)\n  — `plainto_tsquery` і `ts_rank_cd`, як їх використано в пошуку за словами\n  вище.\n- [Transaction Isolation](https://www.postgresql.org/docs/current/transaction-iso.html)\n  — коли знімки PostgreSQL бачать зафіксовані зміни, зокрема чому старіший знімок може й далі бачити документ після фіксації його видалення.\n\n\u003chttps://engineer.company/uk/glossary/vector-search/\u003e\n","date_modified":"2026-11-12T05:34:23Z","description":"Що таке векторний пошук: ембединги, порівняні за відстанню, точні й наближені індекси в pgvector, гібридний пошук і типові збої.","formats":{"gemtext":"https://engineer.company/uk/glossary/vector-search/index.gmi","gopher":"https://engineer.company/uk/glossary/vector-search/gophermap","html":"https://engineer.company/uk/glossary/vector-search/","json":"https://engineer.company/uk/glossary/vector-search/index.json","markdown":"https://engineer.company/uk/glossary/vector-search/index.md","pdf":"https://engineer.company/uk/glossary/vector-search/index.pdf"},"kind":"page","language":"uk","title":"Що таке векторний пошук?","url":"https://engineer.company/uk/glossary/vector-search/","version":1}