Hybrid search для AI-агента: зачем это нужно и как работает
Если ваш AI-агент плохо находит информацию в базе знаний — скорее всего, проблема не в модели. Проблема в поиске. Hybrid search решает именно это. Когда разработчики впервые строят RAG-систему или AI-агента с доступом к документам, они обычно выбирают векторный поиск. Это логично: семантический поиск звучит умно, эмбеддинги — современно, cosine similarity — математически красиво. Но через некоторое время появляется неприятная закономерность: агент находит «похожие по смыслу» документы, но пропускает тот единственный, где упоминается конкретный артикул, имя клиента или точная дата. Это и есть главная проблема чисто векторного поиска. Он хорош для семантики, но слаб там, где нужна точность по конкретным терминам. Почему векторного поиска одного недостаточно Векторный поиск переводит текст в многомерный числовой вектор и ищет ближайшие по расстоянию. Это отлично работает для концептуальных запросов: «расскажи о политике возврата» или «как работает аутентификация». Модель понимает см...
