01 Простыми словами
Обычный поиск по ключевым словам ищет буквальное совпадение: запрос «отпуск за свой счёт» находит только документы с этими же словами. Векторный поиск смотрит на смысл: тот же запрос находит документ про «неоплачиваемый отпуск» или «отпуск без сохранения зарплаты», даже если слова разные — по смыслу это одно и то же.
02 Как это работает
Каждый кусок текста модель эмбеддингов превращает в список чисел — вектор, который отражает смысл этого куска. Похожие по смыслу тексты получают похожие векторы, даже если слова в них разные.
- Документы компании заранее режут на куски и превращают в векторы — эту базу хранят в отдельной векторной базе данных.
- Запрос пользователя тоже превращается в вектор тем же способом.
- Система находит несколько ближайших по смыслу векторов из базы и возвращает соответствующие куски текста.
03 Где применяется
- Поддержка клиентов. Вопрос клиента находит нужный раздел базы знаний, даже если клиент сформулировал его своими словами.
- Юристы. Поиск по архиву договоров находит похожие формулировки условий вместо только точного совпадения фразы.
- HR. Поиск по регламентам находит нужный документ по смыслу вопроса сотрудника про отпуск, больничный или командировку.
- Продажи. Менеджер находит нужный аргумент в базе презентаций и кейсов по смыслу возражения клиента.
- Логистика. Поиск по накладным и инструкциям находит нужный регламент по описанию ситуации вместо точного названия документа.
- Финансы. Поиск похожих статей расходов в прошлых бюджетах по смыслу формулировки вместо точного названия статьи.
04 В работе отдела
Представьте юридический отдел на пять человек с архивом из нескольких тысяч договоров за десять лет. Раньше поиск нужного пункта про ответственность сторон занимал у юриста получас перелистывания папок или неудачных попыток угадать точную формулировку для поиска по ключевым словам.
После подключения векторного поиска юрист вводит вопрос своими словами — «что мы обычно пишем про штраф за просрочку поставки» — и получает несколько похожих пунктов из разных договоров, даже без точного совпадения формулировки. Настройка требует один раз загрузить архив в базу и проверить качество ответов на десятке реальных вопросов из практики отдела, прежде чем включать поиск на весь архив.
Спустя месяц отдел замечает и обратный эффект: часть старых договоров с нестандартными формулировками поиск находит хуже свежих — модель эмбеддингов лучше справляется с типовыми оборотами, и такие документы юристы держат под рукой отдельным списком для ручной сверки.05 Ограничения и ошибки
- Векторный поиск иногда находит документы, похожие по смыслу, но неверные по факту — итоговый ответ модели стоит сверять по первоисточнику вместо слепого доверия.
- Качество поиска сильно зависит от того, как документы разбили на куски — слишком крупный кусок теряет точность, слишком мелкий теряет контекст, это называют chunking.
- Свежие документы остаются вне поиска до следующего обновления базы — загрузку стоит повторять по расписанию.
- Права доступа нужно фильтровать на уровне самого поиска — иначе сотрудник может увидеть чужой документ через общий ответ модели.
- Для узкой профессиональной лексики — редкие юридические или отраслевые термины — общая модель эмбеддингов иногда путает смысл; для таких архивов стоит проверять качество отдельно перед запуском на весь объём документов.
Из чего складывается цена такого поиска по внутренним документам — в статье про ИИ-поиск по внутренней документации компании. Как это встраивают в работу с документами — в разделе про нейросети для документов.
Отдельная задача — поддерживать базу в актуальном состоянии: документы уволенного сотрудника или закрытого проекта порой подолгу остаются в архиве, и поиск продолжает находить документы, которые давно потеряли актуальность для текущей работы отдела. Итоговое решение обычно принимают вместе — юрист или бухгалтер, кто ближе всего знает содержание архива, и ИТ-специалист, который отвечает за саму настройку поиска.