Vector Search
Vector search znajduje treści według znaczenia, a nie dokładnych słów. Tekst jest przekształcany w embeddingi wysokowymiarowe, a metryka podobieństwa, taka jak odległość kosinusowa, szereguje zapisane wektory według bliskości do wektora zapytania, zwracając pojęciowo powiązane fragmenty nawet bez pasujących słów kluczowych.
Synonimy: wyszukiwanie semantyczne, wyszukiwanie podobieństwa, nearest-neighbor search, embedding search
Vector search napędza retrieval semantyczny: zamiast dopasowywać ciągi znaków, dopasowuje znaczenie. Zapytanie jest osadzane w tej samej przestrzeni wektorowej co indeksowana treść, a indeks zwraca najbliższe wektory według metryki odległości. Aby zachować szybkość w skali, systemy produkcyjne używają indeksów approximate nearest-neighbor, które akceptują drobne kompromisy dokładności dla dużych zysków opóźnienia. Vector search jest najskuteczniejszy w parze z keyword search w hybrydowym retrieverze, aby dokładne identyfikatory nie ginęły w czysto semantycznym dopasowaniu.