{
  "id": 2,
  "title": "Векторные базы данных: как AI понимает смысл текста",
  "slug": "vektornye-bazy-dannyh",
  "date": "2026-02-04",
  "category": "Технологии",
  "readTime": "6 мин",
  "excerpt": "Объясняем на простых примерах, как работают эмбеддинги и почему векторный поиск точнее обычного",
  "content": "<h2>Что такое векторная база?</h2><p>Обычная база данных хранит текст как есть: «кошка», «собака», «автомобиль». <strong>Векторная база</strong> хранит смысл слов в виде чисел — векторов.</p><h3>Как выглядит вектор?</h3><p>Слово «кошка» может превратиться в набор чисел:<br><code>[0.2, -0.5, 0.8, 0.1, ..., -0.3]</code> (обычно 384-1536 чисел)</p><p>Слово «кот» будет очень похожим набором:<br><code>[0.19, -0.48, 0.82, 0.09, ..., -0.31]</code></p><p>А слово «автомобиль» — совсем другим:<br><code>[-0.7, 0.3, -0.1, 0.9, ..., 0.6]</code></p><h2>Почему это важно?</h2><p>Векторы позволяют искать <strong>по смыслу</strong>, а не по буквам.</p><h3>Пример 1: Синонимы</h3><p><strong>Ваш вопрос:</strong> «Как настроить уведомления?»<br><strong>В документе написано:</strong> «Конфигурация нотификаций»</p><p>❌ Обычный поиск: ничего не найдёт (разные слова)<br>✅ Векторный поиск: найдёт (одинаковый смысл)</p><h3>Пример 2: Контекст</h3><p><strong>Вопрос:</strong> «Что делать если программа зависла?»<br><strong>Документ 1:</strong> «При зависании приложения перезапустите его»<br><strong>Документ 2:</strong> «Зависание белья происходит при температуре -15°C»</p><p>Векторная база поймёт, что первый документ релевантен (контекст IT), а второй — нет (контекст стирки).</p><h2>Как 1Base создаёт векторы?</h2><ol><li><strong>Загрузка документа</strong> — вы добавляете PDF или Word файл</li><li><strong>Разбиение на фрагменты</strong> — текст делится на части по ~500 слов</li><li><strong>Эмбеддинг</strong> — каждый фрагмент превращается в вектор</li><li><strong>Индексация</strong> — векторы сохраняются в базу Qdrant</li><li><strong>Поиск</strong> — когда вы спрашиваете, система ищет похожие векторы</li></ol><h2>Гибридный поиск в the1.day</h2><p>the1.day использует <strong>гибридный поиск</strong> — комбинацию векторного и обычного:</p><ul><li><strong>Векторный</strong> — находит по смыслу (70% результатов)</li><li><strong>Ключевые слова</strong> — находит точные совпадения (30% результатов)</li></ul><p>Это даёт лучшую точность, чем каждый метод по отдельности.</p><h2>Практический совет</h2><p>При загрузке документов в 1Base:</p><p>✅ Используйте понятные названия файлов<br>✅ Структурируйте текст заголовками<br>✅ Добавляйте метаданные (дата, автор, проект)</p><p>Это повысит качество поиска на 20-30%.</p><h2>Попробуйте</h2><p>Загрузите два документа с разными формулировками одной темы. Задайте вопрос своими словами — the1.day найдёт информацию в обоих файлах.</p>"
}