Связаться с намиПодключиться

Поисковые индексы Vector Store

Статья создана
Обновлена 14 октября 2025 г.

AI-агенты в своей работе могут использовать семантический поиск по контексту, получаемому из файлов внешних баз знаний. Такой дополнительный контекст хранится в поисковых индексах Vector Store — специальных векторных хранилищах Yandex AI Studio, которые создаются с помощью Vector Store API и в которых документы представлены в виде векторов (эмбеддингов).

Создание индекса

Чтобы создать поисковый индекс, необходимо загрузить в Vector Store файлы-источники для базы знаний и проиндексировать их.

Загрузка файлов-источников

В Vector Store вы можете загрузить до 10 000 файлов, максимальный размер каждого файла — 128 МБ. Один и тот же файл может использоваться для создания одновременно нескольких поисковых индексов Vector Store.

Сервис поддерживает загрузку файлов следующих MIME-типов:

  • application/json
  • application/msword
  • application/pdf
  • application/vnd.ms-excel
  • application/vnd.ms-excel.sheet.2
  • application/vnd.ms-excel.sheet.3
  • application/vnd.ms-excel.sheet.4
  • application/vnd.ms-excel.workspace.3
  • application/vnd.ms-excel.workspace.4
  • application/vnd.ms-outlook
  • application/vnd.ms-powerpoint
  • application/vnd.ms-project
  • application/vnd.ms-word2006ml
  • application/vnd.openxmlformats-officedocument.spreadsheetml.sheet
  • application/vnd.openxmlformats-officedocument.wordprocessingml.document
  • application/x-latex
  • application/x-ms-owner
  • application/xhtml+xml
  • text/csv
  • text/html
  • text/markdown
  • text/plain
  • text/xml
  • application/rtf

Индексирование загруженных файлов

При создании поисковых индексов Vector Store загруженные файлы автоматически разбиваются на фрагменты, которые затем преобразуются моделью эмбеддингов в числовые векторы. Вектор отражает смысл фрагмента, благодаря чему нужную информацию можно находить в индексе не только по совпадению слов, но и по совпадению смыслов/значений.

При разбиении информации на фрагменты не учитывается смысл, поэтому текст может быть разделен, например, в середине предложения. В этом случае контекст оказывается неполным. Чтобы сократить потери информации, возникающие из-за подобного разрыва контекста, при разбиении данных на фрагменты используют перекрытие, которое позволяет сохранить часть информации одновременно в двух соседних фрагментах.

По умолчанию при создании поисковых индексов Vector Store используются стандартные модели эмбеддингов AI Studio. Чтобы улучшить качество векторного поиска в зависимости от специфики входных файлов, вы можете использовать дообученные модели эмбеддингов.

После завершения обработки всех файлов и векторизации всех полученных текстовых фрагментов поисковый индекс готов к использованию.

Возможные состояния процесса создания поискового индекса Vector Store:

  • in_progress — происходит фрагментирование загруженных файлов и векторизация фрагментов;
  • completed — поисковый индекс готов к работе;
  • failed — при создании поискового индекса возникла ошибка.

Использование поискового индекса

Использование поисковых индексов позволяет реализовать сценарий генеративного ответа с учетом информации из внешних источников (RAG, Retrieval Augmented Generation), при котором модель генерации текста будет готовить ответ с учетом найденной в поисковом индексе информации.

Поисковый индекс Vector Store можно подключить к AI-агенту при помощи инструмента Retrieval с использованием Responses API или Realtime API.

Результатом поиска по векторному индексу Vector Store являются:

  • Список релевантных текстовых фрагментов.

    Поиск в индексе Vector Store (similarity search) возвращает список из заданного количества ближайших по смыслу векторов (метод Top-k).

  • Оценка релевантности по отношению к запросу для каждого из возвращаемых фрагментов списка.

  • Метаданные фрагментов.

    К результатам поиска можно применять фильтры по метаданным — дополнительным атрибутам поисковых индексов Vector Store, которые задаются при их создании. Метаданные поисковых индексов представляют собой объекты, содержащие пары <ключ>:<значение>, и могут расширять контекст поиска дополнительными сведениями, такими как категория данных, дата обновления, специальные метки и т.п.

Управление поисковым индексом

Вы можете добавлять новые файлы к существующим поисковым индексам Vector Store, а также удалять из них имеющиеся файлы.

Vector Store API позволяет настраивать автоматическое удаление неиспользуемых поисковых индексов. Для этого в поле expires_after задайте значение для одного из свойств:

  • created_at — заданное значение определяет срок жизни поискового индекса с момента создания;
  • last_active_at — заданное значение определяет срок жизни поискового индекса с момента последнего использования.

По истечении указанного в поле expires_after времени поисковый индекс будет автоматически удален. Кроме того, вы можете в любой момент удалить поисковый индекс Vector Store вручную.

Возможные сценарии использования поисковых индексов Vector Store

В сочетании с AI-агентами поисковые индексы Vector Store могут использоваться в целом ряде сценариев:

  • AI-бот для клиентов, отвечающий на часто задаваемые вопросы

    • В поисковый индекс Vector Store загружается база инструкций и ответов на часто задаваемые вопросы.
    • Поисковый индекс подключается к AI-агенту.
    • Пользователь задает вопрос: Сколько багажа можно взять с собой?
    • Поиск находит релевантный фрагмент в базе знаний: Одна сумка до 23 кг.
    • AI-агент возвращает ответ со ссылкой на документ.

  • Внутренняя база знаний компании

    • В поисковый индекс Vector Store загружаются регламенты, политики, инструкции по продукту.

    • Запрос к поисковому индексу возвращает ответы по смыслу, даже если непосредственные формулировки не совпадают.

      Например: на ключевое слово увольнение система найдет в том числе документы с формулировками прекращение трудовых отношений или расторжение трудового договора.

  • AI-ассистент техподдержки (Call Center Assistant)

    • В поисковый индекс Vector Store загружается база инструкций и ответов на часто задаваемые вопросы.
    • Оператор во время звонка набирает или произносит запрос: Как сбросить пароль пользователя?
    • AI-агент с подключенным поисковым индексом мгновенно подсказывает шаги из базы знаний.

  • Анализ объемных документов

    • В поисковый индекс Vector Store загружаются отчеты, исследования, контракты.

    • Запрос к поисковому индексу позволяет быстро найти нужные фрагменты: Покажи все упоминания про KPI за 2024 год.

      Особенно эффективно при работе с сотнями страниц информации.

  • Чат с AI-агентом по корпоративным документам

    • AI-агент подключается к поисковому индексу Vector Store, содержащему корпоративную базу знаний.
    • Сотрудник задает AI-агенту вопрос: Объясни, как работает процесс возврата товара.
    • AI-агент получает релевантные фрагменты документации и на их основе дает подробный и корректный ответ.

  • Локальный поиск для приложений

    • Корпоративное приложение (например, CRM или Wiki) использует поисковый индекс Vector Store для поиска по внутреннему контенту.
    • Пользователь задает вопрос в свободной форме и находит подходящие записи даже без точного совпадения слов.

  • Многоязычный поиск

    • В одном и том же поисковом индексе Vector Store хранятся документы на русском и английском языках.
    • При запросе baggage allowance индекс вернет фрагменты в том числе и на русском языке по запросу нормы провоза багажа.

  • Интеграция с аналитикой

    • В поисковый индекс Vector Store загружаются транскрипты звонков или чатов.
    • Vector Store API позволяет находить похожие обращения клиентов.
    • Полученную информацию можно быстро группировать, анализировать, находить наиболее часто возникающие вопросы и выявлять проблемы.

Таким образом, поисковые индексы Vector Store — это универсальный инструмент, который может использоваться как чат-ботами, так и пользователями для внутреннего поиска, анализа документов, а также для интеграции в бизнес-процессы компаний (клиентская поддержка, аналитика, обучение сотрудников и т.п.)

См. также

Предыдущая
Перефразирование запросов
Следующая
Обзор