Векторные базы данных

Хранить
смысл,
а не слова

Как нейросети превращают текст в числа и находят похожее за миллисекунды

Попробовать демо Узнать больше ↓
—
в PostgreSQL
—
в Qdrant
01 / О технологии

Что такое
векторная база данных?

Обычные БД ищут точное совпадение. Векторные — понимают смысл.

Традиционный поиск
Запрос: "собака"
✓ "собака бежит"
✗ "пёс играет" — нет совпадения
✗ "щенок спит" — нет совпадения
→
Векторный поиск
Запрос: "собака"
✓ "собака бежит" 98%
✓ "пёс играет" 94%
✓ "щенок спит" 91%
📝
Текст
"Машинное обучение"
→
🤖
Embedding модель
Нейронная сеть
→
📊
Вектор
[0.12, −0.34, 0.78…]
→
🗃️
База данных
Быстрый поиск
02 / Как работает

Эмбединги & векторное пространство

Каждый текст становится точкой в многомерном пространстве. Похожие тексты — близкие точки.

Посмотри, как текст превращается в вектор
Введи текст и нажми кнопку

Векторное пространство (2D проекция)

Наведи на точку чтобы увидеть текст. Нажми «Показать поиск» для демо.

● Животные ● Технологии ● Природа ● Еда ● Запрос
03 / Сравнение

PostgreSQL pgvector
vs Qdrant

PostgreSQL
pgvector
Qdrant
purpose-built
Тип системы
Реляционная + векторная
Специализированная векторная
Язык запросов
SQL
REST API / gRPC / Python SDK
Масштаб
~10M векторов
1B+ векторов
Скорость поиска
~40–80ms
~5–15ms
ACID транзакции
✓ Полные
Частичные
Индексы
IVFFLAT, HNSW
HNSW + квантизация
Фильтрация
SQL WHERE
Нативная payload-фильтрация
Лучше для
Уже есть Postgres, нужны JOIN'ы, ACID
RAG, рекомендации, большие объёмы, ML
04 / Демо

Попробуй сам

📂
Перетащи файл или кликни
Поддерживаются .txt файлы
Файл будет разделён на 5 частей и каждая сохранена отдельно