Что такое embedding и векторные базы данных простыми словами

Автор: Silvana · Дата: 30.07.2026 · Verified: 30.07.2026 · Reading time: 5 минут · Prerequisite: 002

Кратко

Embedding — способ превратить текст (или картинку, звук, видео, код) в длинный список чисел так, чтобы близкие по смыслу объекты давали близкие векторы.
Это позволяет искать не по совпадению слов, а по смыслу: запрос «как избавиться от боли в спине» найдёт статью «Упражнения для позвоночника», даже если ни одно слово не совпало.
Векторная база данных — специальное хранилище для таких списков чисел. Умеет быстро находить самые похожие среди миллионов записей.
Актуальные модели 2026: OpenAI text-embedding-3-small (1536 измерений) и text-embedding-3-large (3072), Voyage 4 через партнёрство с Anthropic (32K контекст, 1024 по умолчанию с опциями 256/512/2048), открытые Multilingual-E5 и BGE.
Актуальные векторные БД: Qdrant, Pinecone, Weaviate, pgvector (расширение PostgreSQL), Chroma. Открытые лицензии у большинства.
Без embedding нет ни AI-поиска по документам, ни RAG, ни семантических рекомендаций.

Что это и зачем

Обычный поиск ищет буквальное совпадение слов. Если статья называется «Упражнения для позвоночника», а вы вводите «болит спина» — поиск ничего не найдёт. Слова разные, хотя смысл близкий.

Embedding решает эту задачу. Специальная модель читает текст и превращает его в вектор — список чисел фиксированной длины. У OpenAI text-embedding-3-small это 1536 чисел, у text-embedding-3-large — 3072. У Voyage 4 по умолчанию 1024 (можно уменьшить до 256/512 или увеличить до 2048). Тексты про боль в спине и упражнения для позвоночника оказываются рядом в этом числовом пространстве, даже если ни одно слово не совпало.

Аналогия: карта города. Каждый адрес — пара координат. Дома рядом на карте — рядом географически. Embedding то же самое, только координат не две, а тысяча, и «рядом» означает не географически, а по смыслу. Кофейни собираются в одном районе такой карты, автосервисы — в другом.

Векторная база данных — склад для таких координат. Обычная база (MySQL, PostgreSQL без расширений) плохо ищет ближайшие точки в тысячемерном пространстве. Специализированные системы (Qdrant, Pinecone, Weaviate) делают это за миллисекунды на миллионах записей.

Основной разбор

Embedding в двух словах

Есть отдельный класс моделей — embedding-модели. Не путай с LLM: LLM генерирует текст, embedding-модель только превращает текст в числа. Даёшь модели текст — получаешь вектор фиксированной длины. Один и тот же текст всегда даёт один и тот же вектор. Похожие по смыслу тексты дают близкие векторы.

Похожесть измеряется формулой. OpenAI и Voyage AI рекомендуют cosine similarity (косинусное сходство). Их векторы нормализованы к длине 1, поэтому cosine similarity даёт те же результаты что скалярное произведение (dot product), только считается быстрее. Cosine similarity и Euclidean distance при нормализованных векторах дают одинаковый порядок ранжирования.

Классические сценарии применения embedding, по документации OpenAI: поиск (ранжирование по релевантности запросу), кластеризация (группировка похожих текстов), рекомендации, обнаружение аномалий, классификация.

Embedding работает не только со словами. Есть модели для картинок, звука, кода. У Voyage AI есть voyage-multimodal-3.5 — он векторизует переплетающиеся текст, изображения и видео в одном пространстве. У них же есть voyage-code-3 специально для поиска по коду.

Векторные БД: зачем отдельная база

Формулировка Pinecone: «векторная база индексирует и хранит embedding для быстрого извлечения и поиска по сходству, с CRUD-операциями, фильтрацией по метаданным, горизонтальным масштабированием и serverless-режимом». Ключевое отличие от обычной БД — умение искать ближайших соседей в тысячемерном пространстве. Обычная реляционная база сравнит запрос с каждой записью по очереди. Векторная — за миллисекунды через приближённые алгоритмы (HNSW, IVFFlat).

Что ещё умеет векторная БД помимо самого поиска:

Хранит embedding вместе с оригинальным текстом и метаданными (автор, дата, источник)
Фильтрует по метаданным до или после поиска («найди похожее только среди статей 2026 года»)
Обновляет данные без полной переиндексации
Масштабируется горизонтально на миллиарды записей

По документации Qdrant, поддерживаются четыре формата векторов: dense (обычный список плавающих чисел), sparse (разреженные — хранят только ненулевые элементы), multivectors (несколько векторов одинаковой формы на объект, для моделей типа ColBERT), named vectors (несколько векторов разного размера на объект — для мультимодальности).

Какие бывают embedding-модели (2026)

Разбор по официальным источникам разработчиков.

OpenAI(verified на developers.openai.com/api/docs/guides/embeddings):

text-embedding-3-small— 1536 измерений по умолчанию, максимум 8192 токенов на вход, 62,500 страниц текста на 1 доллар
text-embedding-3-large— 3072 измерения по умолчанию, максимум 8192 токенов, 9,615 страниц на доллар
Оба поддерживают параметрdimensionsдля уменьшения размера вектора без большой потери качества (через Matryoshka representation learning)
Векторы нормализованы к длине 1

Voyage AI(рекомендованы Anthropic, verified на platform.claude.com/docs/en/build-with-claude/embeddings):

voyage-4-large— лучшее качество универсального и мультиязычного поиска, 32,000 токенов контекста, 1024 измерения по умолчанию с опциями 256/512/2048
voyage-4— баланс качества и скорости, те же параметры
voyage-4-lite— оптимизирован под цену и латентность
voyage-4-nano— открытые веса под Apache 2.0, доступен на Hugging Face
voyage-code-3— специализация: поиск по коду
voyage-finance-2иvoyage-law-2— для финансов и юриспруденции
voyage-multimodal-3.5— работает с текстом, изображениями и видео в одном пространстве
voyage-context-4— контекстуализированные chunk-эмбеддинги, контекст 120,000 токенов

Anthropic не делает свою embedding-модель. В официальной документации рекомендует Voyage AI как основной вариант.

Открытые модели(без API-подписки, запускаются локально или через Hugging Face):

Multilingual-E5-large— многоязычная, хорошо работает с русским, часто используется в RU-стартапах
BGE-M3— открытая мультиязычная модель, поддерживает dense, sparse и multi-vector представления

Как сравнивать модели — естьMTEB(Massive Text Embedding Benchmark) на Hugging Face. Это открытый бенчмарк для оценки embedding-моделей: 56 датасетов, 8 задач, 112 языков. Лидерборд сводит >2000 результатов моделей. Если выбираешь модель под задачу — начни с MTEB, отсортируй по нужным метрикам.

Какие векторные БД (2026)

Разбор по официальным источникам разработчиков.

Qdrant(qdrant.tech) — открытый исходный код, написан на Rust, 30k+ звёзд на GitHub. Поддерживает dense, sparse, multivector, named vectors. Есть managed cloud, можно ставить на свой сервер. Клиенты Qdrant Cloud — TripAdvisor, HubSpot среди прочих.

Pinecone(pinecone.io) — managed serverless вектор-база. Не self-hosted, только облако. Хорошо документированный SDK. Формулирует себя как «сочетание возможностей традиционной базы с специализацией на векторных embedding».

Weaviate(weaviate.io) — открытый исходный код и managed cloud. Умеет комбинировать векторный поиск с обычной фильтрацией. Индексация через HNSW, поддержка vector quantization для экономии памяти. Есть дополнительно Query Agent (agentic search) и Engram (memory для AI-агентов).

pgvector(github.com/pgvector/pgvector) — открытое расширение для PostgreSQL. Добавляет типvector(до 16,000 измерений),halfvec(half-precision),bit(бинарные, до 64,000),sparsevec(разреженные). Индексы HNSW и IVFFlat. Метрики: L2, inner product, cosine, L1, Hamming, Jaccard. Плюс — если у тебя уже есть PostgreSQL, не нужно ставить отдельную БД. Минус — на очень больших объёмах уступает специализированным.

Chroma(trychroma.com) — открытая (Apache 2.0), позиционируется как «open-source data infrastructure for AI». Есть Chroma Cloud (serverless) и self-hosted. Умеет dense, sparse и hybrid поиск. Часто используется в прототипах и RAG-стартапах.

Как выбирать: если проект уже на Postgres и объём до нескольких миллионов векторов — pgvector. Если нужен self-hosted с высокой скоростью и продвинутыми возможностями — Qdrant или Weaviate. Если хочешь serverless без администрирования — Pinecone или Chroma Cloud.

Практика

Простой пример RAG-схемы (Retrieval-Augmented Generation) на связке embedding + векторная БД. Псевдокод:

# 1. Индексация документов (один раз)
from openai import OpenAI
from qdrant_client import QdrantClient
from qdrant_client.models import Distance, VectorParams, PointStruct

openai = OpenAI()
qdrant = QdrantClient("localhost:6333")

qdrant.create_collection(
    "docs",
    vectors_config=VectorParams(size=1536, distance=Distance.COSINE),
)

documents = ["текст статьи 1", "текст статьи 2", ...]
for idx, text in enumerate(documents):
    vector = openai.embeddings.create(
        model="text-embedding-3-small",
        input=text,
    ).data[0].embedding
    qdrant.upsert("docs", [PointStruct(id=idx, vector=vector, payload={"text": text})])

# 2. Поиск по вопросу (для каждого запроса)
query = "как оформить командировку"
query_vector = openai.embeddings.create(
    model="text-embedding-3-small",
    input=query,
).data[0].embedding
results = qdrant.search("docs", query_vector=query_vector, limit=5)

# 3. Передача найденных кусков LLM в контекст — это и есть RAG
context = "\n\n".join([r.payload["text"] for r in results])
# → передать context + query в Claude/GPT для генерации ответа

Всё то же самое можно собрать на pgvector:CREATE EXTENSION vectorв Postgres, колонкаembedding vector(1536), запросORDER BY embedding <=> query_vector LIMIT 5(оператор<=>— cosine distance).

RU-специфика

Работает из РФ напрямую.OpenAI и Voyage API — требуют зарубежной регистрации и оплаты. YandexGPT Embeddings и GigaChat Embeddings — работают из России без ограничений. Открытые модели (E5, BGE, voyage-4-nano) можно скачать и запустить локально — без внешних API вообще.
Оплата в РФ.OpenAI Embeddings и Voyage AI — через зарубежную карту или API-посредников. Yandex и Сбер — обычной картой российского банка по договору.
RU-локализация.Все крупные embedding-модели работают с русским. Специально для русского оптимизированы Yandex Embeddings и Multilingual-E5-large.
Векторные БД в РФ.Qdrant, Weaviate, pgvector, Chroma — self-hosted, ставятся на любой сервер, вопрос страны не стоит. Pinecone — только облако, инфраструктура зарубежная.

Sources

https://developers.openai.com/api/docs/guides/embeddings· проверено 30.07.2026
https://platform.claude.com/docs/en/build-with-claude/embeddings· проверено 30.07.2026
https://huggingface.co/blog/mteb· проверено 30.07.2026
https://qdrant.tech/documentation/concepts/vectors/· проверено 30.07.2026
https://qdrant.tech/· проверено 30.07.2026
https://www.pinecone.io/learn/vector-database/· проверено 30.07.2026
https://docs.weaviate.io/weaviate/concepts· проверено 30.07.2026
https://github.com/pgvector/pgvector· проверено 30.07.2026
https://docs.trychroma.com/docs/overview/introduction· проверено 30.07.2026

Актуальность

Актуально на 30.07.2026. Модели, цены и условия доступа меняются часто. Voyage AI регулярно обновляет линейку (voyage-4 вышла январь 2026, voyage-context-4 — июнь 2026). MTEB-лидерборд перестраивается еженедельно. Перед бизнес-решением всегда сверяйся с первоисточником по ссылкам выше.