Векторная база данных: что это и какая нужна для агента

Вы решили, что агент будет отвечать клиентам по вашим документам: прайсу, условиям доставки, договорам. Документы нужно где-то хранить так, чтобы агент за секунду находил нужный кусок по смыслу вопроса. Обычная папка с файлами или таблица для этого не годятся, нужна векторная база данных.

Векторная база данных — это хранилище, которое находит текст не по совпадению слов, а по смыслу. Ниже разберём, как она устроена, когда хватает встроенного хранилища в n8n и какую базу выбрать, если документов много.

Зачем агенту векторная база данных

Агент отвечает по вашим документам с помощью подхода, который называют RAG: перед ответом программа находит в документах нужный кусок и отдаёт его нейросети. Как это работает по шагам, объяснено в статье про RAG простыми словами. Здесь важно одно: найденные куски где-то хранятся, и это место и есть векторная база.

Представьте библиотеку, где книги расставлены не по алфавиту, а по смыслу. Книги о доставке стоят рядом, книги о возвратах на соседней полке, а книги о скидках в другом конце зала. Спросили «можно ли вернуть подарок без чека», и библиотекарь идёт к полке о возвратах, хотя слов «подарок» и «чек» на корешках нет.

Векторная база делает то же самое с кусками текста. Каждый кусок превращается в набор чисел, вектор, который работает как адрес полки. Похожие по смыслу куски получают близкие адреса.

Чем векторная база отличается от обычной

Векторная база не заменяет обычную. Остатки, заказы и клиенты остаются в учётной программе и CRM, а в векторной базе лежат тексты, по которым агент ищет ответы.

Сколько стоит превратить документы в векторы

Превращение текста в векторы делает отдельная нейросеть, и за него платят, как за любую работу нейросети, за объём текста в токенах. Токен — это кусочек слова в три-четыре буквы.

Документы превращают в векторы один раз и потом только при обновлении, поэтому основные деньги уходят не сюда, а на ответы нейросети.

Какие векторные базы есть в n8n

В конструкторе n8n версии 2.41.5, на которой мы проверяли, готовых блоков для векторных баз больше пятнадцати. Для небольшого проекта важны четыре.

Simple Vector Store. Встроенное хранилище n8n, ничего ставить не нужно. Но сам n8n предупреждает: оно только для опытов. Данные хранятся в памяти и пропадают, если n8n перезапустить, а ещё они видны всем пользователям вашего n8n.

Postgres PGVector Store. Работает с PostgreSQL, популярной бесплатной базой данных для обычных таблиц. К ней добавляют дополнение pgvector, которое учит её искать по смыслу. Удобно, если PostgreSQL у вас уже есть.

Qdrant Vector Store. Qdrant — это отдельная бесплатная векторная база: её ставят на свой сервер рядом с n8n.

Chroma Vector Store. Chroma — это тоже бесплатная векторная база, которая ставится на свой сервер.

Есть и облачные варианты, например Pinecone и Supabase. Их не нужно ставить, но данные хранятся на серверах этих компаний за рубежом.

Какую векторную базу выбрать

Пробуете, как работает поиск по документам. Simple Vector Store. Пять минут, и видно, находит ли агент нужное. Для работы с клиентами не годится.

Первый рабочий агент на своём сервере. Qdrant или Chroma рядом с n8n. Если на сервере уже работает PostgreSQL, проще добавить к нему pgvector.

Документы с персональными данными клиентов из России. База на сервере в России: на своём арендованном сервере или в российском облаке. Закон требует сначала записывать такие данные в базы на территории России, а Pinecone и Supabase хранят их за рубежом.

Где ошибаются при первой векторной базе

Хранят рабочие данные в Simple Vector Store. Всё работало, пока n8n не перезапустился после обновления: агент перестал находить ответы. Для работы нужна база, которая хранит данные на диске.

Смешивают разные нейросети для векторов. Документы превратили в векторы одной нейросетью, а вопросы клиентов другой. У разных нейросетей разные «адреса полок», и поиск перестаёт находить нужное. Векторы документов и вопросов должна делать одна нейросеть или пара моделей, которую разработчик сделал для совместной работы: у Яндекса это отдельные модели для документов и для запросов.

Загружают новую версию, не удалив старую. Прайс поменяли и загрузили в базу ещё раз, а куски старого остались. Теперь в базе две цены, и агент называет то одну, то другую. Перед повторной загрузкой старые куски этого документа удаляют.

Когда векторная база не нужна

Если документов мало, например одна страница условий доставки и прайс на две страницы, векторная база избыточна. Такой текст можно целиком вставить в инструкцию агента, и нейросеть прочитает его при каждом вопросе. Это дороже по токенам, но проще и при небольшом потоке вопросов почти ничего не стоит.

Векторная база нужна, когда документов становится больше, чем нейросеть может прочитать за один раз, или когда ответ нужно искать среди десятков файлов. Какие задачи для агента бывают в разных отраслях, показано на примерах ИИ-агентов для бизнеса.