Векторное представление (vector embedding) — это способ записать смысл текста, изображения или звука в виде массива чисел, где каждое число отражает одну из смысловых характеристик объекта. Что это значит на практике: модель раскладывает содержание на сотни или тысячи координат, и объекты с похожим смыслом оказываются рядом в этом пространстве.
Семантический AI-поиск, рекомендации и retrieval для языковых моделей опираются на такие векторы. Типичная размерность у современных моделей — от 384 до 3072 чисел на один объект. Готовые эмбеддинги хранят в векторных базах вроде Pinecone, Qdrant или pgvector и сравнивают по косинусной близости.
§ 01Базовая идея
Модель-энкодер получает на вход фрагмент текста и отдаёт фиксированный набор чисел одинаковой длины независимо от того, одно это слово или целый абзац. Смысловой вектор строится так, что расстояние между двумя такими наборами отражает смысловую близость исходных объектов, а не совпадение символов. Слова кошка и котёнок дадут близкие координаты, хотя буквы у них разные. Именно поэтому числовое представление смысла ловит синонимы и перефразировки там, где обычный поиск по ключам промахивается.
§ 02Из чего складывается
Каждая позиция в массиве — это одна размерность, скрытый признак, который модель выучила на обучающих данных. Человек эти признаки не задаёт вручную и чаще всего не может их назвать. Длина фиксирована для конкретной модели: text-embedding-3-small выдаёт 1536 чисел, другие — 384, 768 или 3072. Складывается векторное вложение из трёх частей: энкодер, весовые матрицы после обучения и правило нормализации длины. Сравнивать между собой можно только векторы, полученные одной и той же моделью.
конверсия поиска +31% — Маркетплейс одежды на Shopify перевёл поиск по каталогу на векторные эмбеддинги через OpenAI text-embedding-3-small и Pinecone. Конверсия из поиска в корзину выросла на 31% за 4 месяца. Замер по GA4 Ecommerce и A/B-тесту в VWO.
нерелевантные ответы −44% — B2B SaaS с базой знаний на 12 тысяч статей внедрил семантический поиск на sentence-transformers и pgvector в PostgreSQL. Доля нерелевантных ответов саппорта упала на 44% за 5 месяцев. Оценка через ручную разметку и метрику recall@10.
§ 03Как применять на сайте
Сначала прогоняете контент через модель эмбеддингов и сохраняете полученные векторы в хранилище: pgvector как расширение PostgreSQL, Qdrant или Pinecone. Запрос пользователя переводите в такой же семантический вектор и ищете ближайшие по косинусной близости записи. Так работают умный поиск по документации, блок похожих статей и RAG — подача релевантных кусков в языковую модель. Для чего нужно: сократить галлюцинации LLM и выдавать ответы по вашим данным, а не по общим знаниям модели.
§ 04Чем отличается от смежных понятий
Токен — это единица разбиения текста перед подачей в модель, а вектор смысла — результат на выходе энкодера. Полнотекстовый индекс ищет совпадение слов, тогда как этот вектор ищет совпадение смысла и находит перефразировки. От one-hot кодирования числовое представление отличается плотностью: вместо длинного разреженного массива из нулей и одной единицы получается компактный набор из сотен ненулевых чисел. Ключевое ограничение — эмбеддинги разных моделей несовместимы, при смене модели весь корпус пересчитывают заново.