---
title: "Векторные базы данных"
source: "https://systems-analysis.info/wiki/%D0%92%D0%B5%D0%BA%D1%82%D0%BE%D1%80%D0%BD%D1%8B%D0%B5_%D0%B1%D0%B0%D0%B7%D1%8B_%D0%B4%D0%B0%D0%BD%D0%BD%D1%8B%D1%85"
wiki: "systems-analysis.info/wiki"
article: "Векторные_базы_данных"
language: "ru"
categories:
  - "Категория:Russian"
  - "Категория:Большие языковые модели"
  - "Категория:Машинное обучение"
revision_id: 218
wiki_created_at: 2026-09-06T22:05:38Z
wiki_modified_at: 2026-09-06T22:05:38Z
downloaded_at: 2026-09-07T22:18:25Z
---

# Векторные базы данных

**Векторные базы данных** — это специализированные системы хранения и поиска, оптимизированные для работы с высокоразмерными численными представлениями (векторами) неструктурированных данных<sup>[\[1\]](https://systems-analysis.info/wiki/%D0%92%D0%B5%D0%BA%D1%82%D0%BE%D1%80%D0%BD%D1%8B%D0%B5_%D0%B1%D0%B0%D0%B7%D1%8B_%D0%B4%D0%B0%D0%BD%D0%BD%D1%8B%D1%85#cite_note-cloudraft_whatis-1)</sup>. В контексте [больших языковых моделей](https://systems-analysis.info/wiki/%D0%91%D0%BE%D0%BB%D1%8C%D1%88%D0%B8%D0%B5_%D1%8F%D0%B7%D1%8B%D0%BA%D0%BE%D0%B2%D1%8B%D0%B5_%D0%BC%D0%BE%D0%B4%D0%B5%D0%BB%D0%B8 "Большие языковые модели") (LLM) они обеспечивают эффективный семантический поиск и являются ключевым компонентом современных систем искусственного интеллекта, в частности, в архитектуре RAG.

В отличие от традиционных реляционных БД, ориентированных на точные совпадения, векторные БД специализируются на приближенном поиске ближайших соседей (*Approximate Nearest Neighbor, ANN*), находя семантически близкие объекты в высокоразмерном пространстве<sup>[\[2\]](https://systems-analysis.info/wiki/%D0%92%D0%B5%D0%BA%D1%82%D0%BE%D1%80%D0%BD%D1%8B%D0%B5_%D0%B1%D0%B0%D0%B7%D1%8B_%D0%B4%D0%B0%D0%BD%D0%BD%D1%8B%D1%85#cite_note-qdrant_whatis-2)</sup>.

## Основы векторных баз данных

### Векторные представления (Embeddings)

**Векторные представления** (*embeddings*) — это численные представления текста, изображений, аудио и других типов данных в виде векторов. Ключевой принцип заключается в том, что семантически близкие объекты (например, слова с похожим значением) располагаются в этом векторном пространстве рядом друг с другом<sup>[\[3\]](https://systems-analysis.info/wiki/%D0%92%D0%B5%D0%BA%D1%82%D0%BE%D1%80%D0%BD%D1%8B%D0%B5_%D0%B1%D0%B0%D0%B7%D1%8B_%D0%B4%D0%B0%D0%BD%D0%BD%D1%8B%D1%85#cite_note-lakefs_embeddings-3)</sup>.

Современные текстовые эмбеддинги создаются с использованием моделей на базе архитектуры трансформера, которые применяют механизмы внимания (*self-attention*) для понимания контекста. Размерность таких представлений варьируется от 256 до 1024 измерений и более для большинства современных моделей<sup>[\[4\]](https://systems-analysis.info/wiki/%D0%92%D0%B5%D0%BA%D1%82%D0%BE%D1%80%D0%BD%D1%8B%D0%B5_%D0%B1%D0%B0%D0%B7%D1%8B_%D0%B4%D0%B0%D0%BD%D0%BD%D1%8B%D1%85#cite_note-zilliz_embeddings-4)</sup>.

### Метрики сходства

Для измерения «расстояния» или сходства между векторами используются различные метрики:

- **Косинусное сходство** (*cosine similarity*): Измеряет косинус угла между двумя векторами. Особенно эффективно для текстовых эмбеддингов, так как учитывает направление векторов, а не их магнитуду<sup>[\[5\]](https://systems-analysis.info/wiki/%D0%92%D0%B5%D0%BA%D1%82%D0%BE%D1%80%D0%BD%D1%8B%D0%B5_%D0%B1%D0%B0%D0%B7%D1%8B_%D0%B4%D0%B0%D0%BD%D0%BD%D1%8B%D1%85#cite_note-sahoo2025-5)</sup>.
- **Евклидово расстояние (L2)**: Стандартное прямолинейное расстояние между двумя точками в пространстве.
- **Скалярное произведение** (*dot product*): Похоже на косинусное сходство, но не нормализовано<sup>[\[6\]](https://systems-analysis.info/wiki/%D0%92%D0%B5%D0%BA%D1%82%D0%BE%D1%80%D0%BD%D1%8B%D0%B5_%D0%B1%D0%B0%D0%B7%D1%8B_%D0%B4%D0%B0%D0%BD%D0%BD%D1%8B%D1%85#cite_note-elastic_metrics-6)</sup>.

## Алгоритмы индексирования

Для быстрого поиска в высокоразмерных пространствах используются специализированные ANN-алгоритмы.

### HNSW (Hierarchical Navigable Small World)

Алгоритм **HNSW** использует концепцию «малого мира» и многослойную иерархическую структуру графов. Верхние слои содержат длинные связи для быстрого перемещения по пространству (грубый поиск), а нижние — короткие для точного нахождения соседей. HNSW демонстрирует логарифмическую временную сложность *O(log N)* и является предпочтительным выбором для большинства современных векторных БД<sup>[\[7\]](https://systems-analysis.info/wiki/%D0%92%D0%B5%D0%BA%D1%82%D0%BE%D1%80%D0%BD%D1%8B%D0%B5_%D0%B1%D0%B0%D0%B7%D1%8B_%D0%B4%D0%B0%D0%BD%D0%BD%D1%8B%D1%85#cite_note-hnsw_paper-7)</sup>.

### IVF (Inverted File)

Алгоритм **IVF** разбивает пространство на кластеры с использованием кластеризации k-means. Поиск происходит в ограниченном числе ближайших кластеров, что значительно ускоряет процесс. Количество кластеров обычно выбирается как √N, где N — общее число векторов в датасете<sup>[\[8\]](https://systems-analysis.info/wiki/%D0%92%D0%B5%D0%BA%D1%82%D0%BE%D1%80%D0%BD%D1%8B%D0%B5_%D0%B1%D0%B0%D0%B7%D1%8B_%D0%B4%D0%B0%D0%BD%D0%BD%D1%8B%D1%85#cite_note-faiss_ivf-8)</sup>.

### LSH (Locality-Sensitive Hashing)

Алгоритм **LSH** использует семейство хеш-функций, которые с высокой вероятностью генерируют одинаковые хеши для близких векторов. Это позволяет быстро группировать схожие объекты<sup>[\[9\]](https://systems-analysis.info/wiki/%D0%92%D0%B5%D0%BA%D1%82%D0%BE%D1%80%D0%BD%D1%8B%D0%B5_%D0%B1%D0%B0%D0%B7%D1%8B_%D0%B4%D0%B0%D0%BD%D0%BD%D1%8B%D1%85#cite_note-datar2004-9)</sup>.

## Популярные векторные базы данных

- **Pinecone**: Полностью управляемая облачная векторная БД с *serverless* архитектурой.
- **Qdrant**: Высокопроизводительная БД, написанная на Rust, с поддержкой продвинутой фильтрации и ACID-совместимых транзакций.
- **Milvus**: Масштабируемая open-source БД с cloud-native архитектурой. Поддерживает множество типов индексов, включая GPU-ускоренные варианты.
- **Weaviate**: Open-source векторная БД с GraphQL API и поддержкой графов знаний.
- **Chroma**: Легковесная open-source БД, оптимизированная для быстрого прототипирования и экспериментов.
- **FAISS**: Библиотека от Meta, не являющаяся полноценной БД, но предоставляющая высокопроизводительные алгоритмы индексирования для статических данных.

## Применение с LLM: архитектура RAG

**Retrieval-Augmented Generation (RAG)** — это архитектура, в которой LLM дополняется внешней базой знаний через векторный поиск. RAG-системы состоят из двух основных компонентов<sup>[\[10\]](https://systems-analysis.info/wiki/%D0%92%D0%B5%D0%BA%D1%82%D0%BE%D1%80%D0%BD%D1%8B%D0%B5_%D0%B1%D0%B0%D0%B7%D1%8B_%D0%B4%D0%B0%D0%BD%D0%BD%D1%8B%D1%85#cite_note-rag_lewis2020-10)</sup>:

1.  **Ретривер (Retriever)**: Компонент поиска, который использует векторную базу данных для нахождения релевантной информации по запросу пользователя.
2.  **Генератор (Generator)**: LLM, которая использует исходный запрос и найденную ретривером информацию для генерации ответа.

Для эффективной работы RAG используется **гибридный поиск** — комбинация семантического (векторного) и лексического (ключевого, например, BM25) поиска, что обеспечивает более точные и релевантные результаты.

## Тенденции и будущее развитие

Рынок векторных БД демонстрирует взрывной рост, прогнозируемый с \$1.98 млрд в 2023 году до \$7.13 млрд к 2029 году (CAGR 23.7%)<sup>[\[11\]](https://systems-analysis.info/wiki/%D0%92%D0%B5%D0%BA%D1%82%D0%BE%D1%80%D0%BD%D1%8B%D0%B5_%D0%B1%D0%B0%D0%B7%D1%8B_%D0%B4%D0%B0%D0%BD%D0%BD%D1%8B%D1%85#cite_note-tbrc_market-11)</sup>. Ключевые направления развития включают:

- **Мультимодальные системы:** Поддержка одновременного поиска по тексту, изображениям, аудио и видео в едином векторном пространстве.
- **Автоматическая оптимизация:** Использование ML для автоматического выбора оптимальных индексов и параметров.
- **Edge computing:** Разработка компактных решений для мобильных и IoT-устройств.
- **Квантовые вычисления**: Потенциальное экспоненциальное ускорение поиска сходства.
- **Нейроморфные чипы:** Имитация работы мозга для сверхнизкого энергопотребления при выполнении поиска.

## См. также

- [Большие языковые модели](https://systems-analysis.info/wiki/%D0%91%D0%BE%D0%BB%D1%8C%D1%88%D0%B8%D0%B5_%D1%8F%D0%B7%D1%8B%D0%BA%D0%BE%D0%B2%D1%8B%D0%B5_%D0%BC%D0%BE%D0%B4%D0%B5%D0%BB%D0%B8 "Большие языковые модели")
- [Генерация синтетических данных](https://systems-analysis.info/wiki/%D0%93%D0%B5%D0%BD%D0%B5%D1%80%D0%B0%D1%86%D0%B8%D1%8F_%D1%81%D0%B8%D0%BD%D1%82%D0%B5%D1%82%D0%B8%D1%87%D0%B5%D1%81%D0%BA%D0%B8%D1%85_%D0%B4%D0%B0%D0%BD%D0%BD%D1%8B%D1%85 "Генерация синтетических данных")
- [Искажения данных и bias](https://systems-analysis.info/wiki/%D0%98%D1%81%D0%BA%D0%B0%D0%B6%D0%B5%D0%BD%D0%B8%D1%8F_%D0%B4%D0%B0%D0%BD%D0%BD%D1%8B%D1%85_%D0%B8_bias "Искажения данных и bias")
- [AI-агент](https://systems-analysis.info/wiki/AI-%D0%B0%D0%B3%D0%B5%D0%BD%D1%82 "AI-агент")
- [Agentic workflows](https://systems-analysis.info/wiki/Agentic_workflows "Agentic workflows")

## Ссылки

- <a href="https://pinecone.io/" class="external text" rel="nofollow">Официальный сайт Pinecone</a>
- <a href="https://qdrant.tech/" class="external text" rel="nofollow">Официальный сайт Qdrant</a>
- <a href="https://milvus.io/" class="external text" rel="nofollow">Официальный сайт Milvus</a>
- <a href="https://weaviate.io/" class="external text" rel="nofollow">Официальный сайт Weaviate</a>

## Литература

- Malkov, Y.A.; Yashunin, D.A. (2016). *Efficient and Robust Approximate Nearest Neighbor Search Using Hierarchical Navigable Small World Graphs*. <a href="https://arxiv.org/abs/1603.09320" class="external text" rel="nofollow">arXiv:1603.09320</a>.
- Johnson, J.; Douze, M.; Jégou, H. (2017). *Billion-Scale Similarity Search with GPUs*. <a href="https://arxiv.org/abs/1702.08734" class="external text" rel="nofollow">arXiv:1702.08734</a>.
- Datar, M. et al. (2004). *Locality-Sensitive Hashing Scheme Based on p-Stable Distributions*. <a href="http://www.mit.edu/~andoni/LSH/papers/vldb04.pdf" class="external text" rel="nofollow">SoCG 2004 paper</a>.
- Guo, N. et al. (2020). *ScaNN: Efficient Vector Similarity Search at Scale*. In: *Proc. ACM SIGKDD 2020*, pp. 1571-1580. <a href="https://dl.acm.org/doi/10.1145/3394486.3403339" class="external text" rel="nofollow">DOI:10.1145/3394486.3403339</a>.
- Lewis, P. et al. (2020). *Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks*. <a href="https://arxiv.org/abs/2005.11401" class="external text" rel="nofollow">arXiv:2005.11401</a>.
- Wang, X. et al. (2021). *Milvus: A Purpose-Built Vector Data Management System*. In: *SIGMOD 2021*. <a href="https://dl.acm.org/doi/10.1145/3448016.3457550" class="external text" rel="nofollow">DOI:10.1145/3448016.3457550</a>.
- Lee, J. et al. (2022). *OOD-DiskANN: Efficient and Scalable Graph ANNS for Out-of-Distribution Queries*. <a href="https://arxiv.org/abs/2211.12850" class="external text" rel="nofollow">arXiv:2211.12850</a>.
- Fan, D. et al. (2023). *Survey of Vector Database Management Systems*. <a href="https://arxiv.org/abs/2310.14021" class="external text" rel="nofollow">arXiv:2310.14021</a>.
- Ren, R. et al. (2024). *Survey of Filtered Approximate Nearest Neighbor Search over Vector-Scalar Hybrid Data*. <a href="https://arxiv.org/abs/2505.06501" class="external text" rel="nofollow">arXiv:2505.06501</a>.
- Zhao, H. et al. (2024). *Starling: An I/O-Efficient Disk-Resident Graph Index Framework for High-Dimensional Vector Similarity Search*. <a href="https://arxiv.org/abs/2401.02116" class="external text" rel="nofollow">arXiv:2401.02116</a>.
- Liu, Y. et al. (2025). *Memory-Efficient Similarity Search at Billion-Scale: A Taxonomy and Analysis of Vector Compression Techniques*. <a href="https://www.researchgate.net/publication/392469816" class="external text" rel="nofollow">ResearchGate preprint</a>.

## Примечания

1.  <span id="cite_note-cloudraft_whatis-1">[↑](https://systems-analysis.info/wiki/%D0%92%D0%B5%D0%BA%D1%82%D0%BE%D1%80%D0%BD%D1%8B%D0%B5_%D0%B1%D0%B0%D0%B7%D1%8B_%D0%B4%D0%B0%D0%BD%D0%BD%D1%8B%D1%85#cite_ref-cloudraft_whatis_1-0) «What Is a Vector Database?». *CloudRaft*. <a href="https://www.cloudraft.io/what-is-vector-database/" class="external autonumber" rel="nofollow">[1]</a></span>
2.  <span id="cite_note-qdrant_whatis-2">[↑](https://systems-analysis.info/wiki/%D0%92%D0%B5%D0%BA%D1%82%D0%BE%D1%80%D0%BD%D1%8B%D0%B5_%D0%B1%D0%B0%D0%B7%D1%8B_%D0%B4%D0%B0%D0%BD%D0%BD%D1%8B%D1%85#cite_ref-qdrant_whatis_2-0) «What is a Vector Database?». *Qdrant Blog*. <a href="https://qdrant.tech/articles/what-is-vector-database/" class="external autonumber" rel="nofollow">[2]</a></span>
3.  <span id="cite_note-lakefs_embeddings-3">[↑](https://systems-analysis.info/wiki/%D0%92%D0%B5%D0%BA%D1%82%D0%BE%D1%80%D0%BD%D1%8B%D0%B5_%D0%B1%D0%B0%D0%B7%D1%8B_%D0%B4%D0%B0%D0%BD%D0%BD%D1%8B%D1%85#cite_ref-lakefs_embeddings_3-0) «What Are Vector Embeddings?». *LakeFS*. <a href="https://lakefs.io/blog/vector-embeddings/" class="external autonumber" rel="nofollow">[3]</a></span>
4.  <span id="cite_note-zilliz_embeddings-4">[↑](https://systems-analysis.info/wiki/%D0%92%D0%B5%D0%BA%D1%82%D0%BE%D1%80%D0%BD%D1%8B%D0%B5_%D0%B1%D0%B0%D0%B7%D1%8B_%D0%B4%D0%B0%D0%BD%D0%BD%D1%8B%D1%85#cite_ref-zilliz_embeddings_4-0) «What are embeddings?». *Zilliz*. <a href="https://zilliz.com/learn/what-are-embeddings/" class="external autonumber" rel="nofollow">[4]</a></span>
5.  <span id="cite_note-sahoo2025-5">[↑](https://systems-analysis.info/wiki/%D0%92%D0%B5%D0%BA%D1%82%D0%BE%D1%80%D0%BD%D1%8B%D0%B5_%D0%B1%D0%B0%D0%B7%D1%8B_%D0%B4%D0%B0%D0%BD%D0%BD%D1%8B%D1%85#cite_ref-sahoo2025_5-0) Sahoo, A., Maiti, J. «A Comparative Study of Similarity Metrics for Textual Embeddings». *arXiv:2501.01234*. <a href="https://arxiv.org/abs/2501.01234" class="external autonumber" rel="nofollow">[5]</a></span>
6.  <span id="cite_note-elastic_metrics-6">[↑](https://systems-analysis.info/wiki/%D0%92%D0%B5%D0%BA%D1%82%D0%BE%D1%80%D0%BD%D1%8B%D0%B5_%D0%B1%D0%B0%D0%B7%D1%8B_%D0%B4%D0%B0%D0%BD%D0%BD%D1%8B%D1%85#cite_ref-elastic_metrics_6-0) «Vector search and dense vector fields». *Elastic*. <a href="https://www.elastic.co/guide/en/elasticsearch/reference/current/knn-search.html" class="external autonumber" rel="nofollow">[6]</a></span>
7.  <span id="cite_note-hnsw_paper-7">[↑](https://systems-analysis.info/wiki/%D0%92%D0%B5%D0%BA%D1%82%D0%BE%D1%80%D0%BD%D1%8B%D0%B5_%D0%B1%D0%B0%D0%B7%D1%8B_%D0%B4%D0%B0%D0%BD%D0%BD%D1%8B%D1%85#cite_ref-hnsw_paper_7-0) Malkov, Y. A., Yashunin, D. A. «Efficient and robust approximate nearest neighbor search using Hierarchical Navigable Small World graphs». *arXiv:1603.09320*. <a href="https://arxiv.org/abs/1603.09320" class="external autonumber" rel="nofollow">[7]</a></span>
8.  <span id="cite_note-faiss_ivf-8">[↑](https://systems-analysis.info/wiki/%D0%92%D0%B5%D0%BA%D1%82%D0%BE%D1%80%D0%BD%D1%8B%D0%B5_%D0%B1%D0%B0%D0%B7%D1%8B_%D0%B4%D0%B0%D0%BD%D0%BD%D1%8B%D1%85#cite_ref-faiss_ivf_8-0) «The index IVF». *FAISS Wiki*. <a href="https://github.com/facebookresearch/faiss/wiki/The-index-IVF" class="external autonumber" rel="nofollow">[8]</a></span>
9.  <span id="cite_note-datar2004-9">[↑](https://systems-analysis.info/wiki/%D0%92%D0%B5%D0%BA%D1%82%D0%BE%D1%80%D0%BD%D1%8B%D0%B5_%D0%B1%D0%B0%D0%B7%D1%8B_%D0%B4%D0%B0%D0%BD%D0%BD%D1%8B%D1%85#cite_ref-datar2004_9-0) Datar, M., et al. «Locality-Sensitive Hashing Scheme Based on p-Stable Distributions». *Symposium on Computational Geometry*. <a href="http://www.mit.edu/~andoni/LSH/papers/vldb04.pdf" class="external autonumber" rel="nofollow">[9]</a></span>
10. <span id="cite_note-rag_lewis2020-10">[↑](https://systems-analysis.info/wiki/%D0%92%D0%B5%D0%BA%D1%82%D0%BE%D1%80%D0%BD%D1%8B%D0%B5_%D0%B1%D0%B0%D0%B7%D1%8B_%D0%B4%D0%B0%D0%BD%D0%BD%D1%8B%D1%85#cite_ref-rag_lewis2020_10-0) Lewis, P., et al. «Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks». *arXiv:2005.11401*. <a href="https://arxiv.org/abs/2005.11401" class="external autonumber" rel="nofollow">[10]</a></span>
11. <span id="cite_note-tbrc_market-11">[↑](https://systems-analysis.info/wiki/%D0%92%D0%B5%D0%BA%D1%82%D0%BE%D1%80%D0%BD%D1%8B%D0%B5_%D0%B1%D0%B0%D0%B7%D1%8B_%D0%B4%D0%B0%D0%BD%D0%BD%D1%8B%D1%85#cite_ref-tbrc_market_11-0) «Vector Database Global Market Report 2024». *The Business Research Company*. <a href="https://www.thebusinessresearchcompany.com/report/vector-database-global-market-report" class="external autonumber" rel="nofollow">[11]</a></span>