Knowledge Retrieval Layer

Vector Database

Слой хранения embeddings, метаданных и поисковых индексов для semantic, filtered и hybrid retrieval. Выбор реализации зависит от масштаба, модели данных и эксплуатационного контура.

НазначениеПоиск релевантного контекста
МестоKnowledge layer внутри RAG
КонтрольACL · Metadata · Tenancy · Backup
Search flow

Гибридный retrieval

Векторный поиск не заменяет фильтры, полнотекстовый поиск и reranking — они работают как единый pipeline.

FLOW / OVERVIEW

Overview

Место компонента в общей архитектуре корпоративной AI-платформы.

Статическая схема: Overview
FLOW / ARCHITECTURE

Architecture

Внутренние компоненты, границы ответственности и основные связи.

Статическая схема: Architecture
FLOW / REQUEST-FLOW

Request Flow

Путь пользовательского запроса через контрольные точки компонента.

Статическая схема: Request Flow
FLOW / DATA-FLOW

Data Flow

Движение данных, контекста и результатов внутри системы.

Статическая схема: Data Flow
Selection

Варианты реализации

Оцениваются latency, фильтрация, multi-tenancy, HA, backup, hybrid search и компетенции команды.

LIB

FAISS

Встраиваемая библиотека для локальных индексов, прототипов и контролируемых batch-сценариев.

QD

Qdrant

Специализированный vector service с фильтрацией, коллекциями и удобным API.

MV

Milvus

Распределённая архитектура для крупных объёмов и горизонтального масштабирования.

PG

pgvector

Векторы рядом с relational data, транзакциями, SQL-фильтрами и существующим PostgreSQL.

OS

OpenSearch

Единый стек полнотекстового, векторного и аналитического поиска.

ES

Elasticsearch

Hybrid retrieval в существующей enterprise search-инфраструктуре.

Anti-patterns

Типичные ошибки

Проблемы retrieval редко видны сразу: они проявляются как «модель не нашла документ» спустя месяцы эксплуатации.

01

Только векторный поиск

Без full-text и точных фильтров теряются артикулы, коды, имена и идентификаторы — то, что пользователи ищут чаще всего.

02

ACL проверяется после генерации

Права доступа фильтруются на этапе retrieval: недоступный документ не должен попасть в контекст модели даже временно.

03

Нет стратегии reindex

Смена embedding-модели без версионирования индекса незаметно ломает релевантность: старые и новые вектора несопоставимы.

04

Backup векторов без исходников

Индекс должен быть воспроизводим из source documents и pipeline-конфига; бекап одних embeddings не восстанавливает систему.

Куда дальше

Связанные технические разделы

Продолжите по соседнему слою архитектуры или вернитесь к полной карте технических материалов.

RAG Retrieval pipeline, reranking, grounding и цитирование источников. Document Processing OCR, PDF, Office, таблицы и нормализация документов. Сайзинг и конфигурации Ориентиры по CPU, GPU, RAM, дискам и сети.
Вернуться в технический раздел →

Разобрать ваш AI-контур

Можно начать с короткой архитектурной сессии: выбрать первый сценарий, определить данные, модельный маршрут, требования к железу, риски и пилотные метрики.

Открыть каталог схем Форма откроет подготовленное письмо, чтобы не отправлять данные через сторонний сервис.