Разверните готовый пресет с модулем Valkey-Search: находите документы и товары по смыслу, храните эмбеддинги и стройте основу для RAG.
Запустите Valkey-Search для RAG и поиска по смыслу на готовой конфигурации
Пользователь спрашивает: «Как вернуть товар?», а нужный раздел документации называется «Порядок оформления возврата».
Формулировки разные, хотя смысл один.
Готовый пресет Managed Service for Valkey позволяет развернуть кластер с включённым модулем Valkey-Search и перейти к работе с эмбеддингами, индексом и качеством поиска без самостоятельной установки и обслуживания СУБД.
Находите материалы по смыслу, а не только по словам
Текст, изображение или товар можно представить в виде числового вектора, то есть эмбеддинга.
Объекты с похожим содержанием получают близкие векторы, даже если в их названиях и описаниях нет одинаковых слов.
Векторный поиск можно использовать, чтобы:
- находить ответы в базе знаний;
- подбирать похожие товары и материалы;
- искать релевантные документы;
- улучшать поиск по каталогу;
- создавать AI-ассистентов поддержки;
- получать контекст для генеративной модели.
Используйте поиск как основу для RAG
В RAG-сценарии приложение сначала находит подходящие фрагменты в материалах компании, а затем передаёт их языковой модели вместе с вопросом пользователя.
Например, оно может найти актуальную инструкцию по возврату и использовать её при подготовке ответа.
При обновлении источников не обязательно переобучать модель: можно пересчитать эмбеддинги изменившихся документов и обновить индекс.
Что уже настроено
- основной хост и реплика в двух зонах доступности (при его отказе сервис автоматически переключит нагрузку на реплику);
- 4 vCPU и 32 ГБ RAM на каждом хосте;
- сетевой SSD объёмом 40 ГБ;
- модуль Valkey-Search;
- до 80% оперативной памяти под данные;
- политика NOEVICTION (при нехватке памяти Valkey не удаляет данные автоматически: новая запись завершится ошибкой);
- обновления и резервное копирование со стороны сервиса.
Готовый кластер закрывает инфраструктурную часть задачи. Размер кластера и параметры индекса можно подобрать под количество и размер векторов.
Что остаётся проверить вам
Качество самого поиска зависит от данных и приложения.
На этапе прототипа важно проверить:
- как документы разбиваются на фрагменты;
- подходит ли выбранная модель эмбеддингов;
- находятся ли полезные материалы;
- не теряются ли важные результаты;
- соответствует ли скорость поиска требованиям;
- улучшает ли найденный контекст ответы модели.
Valkey-Search хранит эмбеддинги и выполняет поиск по векторному индексу. Разбиение документов, вычисление эмбеддингов, формирование запроса и генерация ответа остаются частью приложения.
Так команда может сосредоточиться на качестве подобранного контекста и RAG-сценария вместо инфраструктуры СУБД.
👉Посмотреть пресет «RAG и векторный поиск»
Листая дальше, вы перейдёте на yandex.cloud