Named Vectors: Несколько эмбеддингов

У продукта есть фото и описание. У документа - заголовок и текст. Зачем хранить их раздельно? Named vectors позволяют держать всё в одной точке и искать по любой модальности - без дублирования данных.

• **Visual search в e-commerce:** CLIP embeddings для изображений + text embeddings для описаний, поиск по фото или тексту
• **Multilingual документы:** вектор на каждый язык, поиск на любом языке без перевода
• **Медиа-архив:** transcript (Whisper) + audio features + video frames - три вектора, одна точка

Предварительные знания

• Collections: Creation and Configuration

Зачем несколько векторов на точку

**Named vectors** позволяют хранить несколько векторов в одной точке. Каждый вектор представляет разную модальность или модель: текстовое описание, изображение, аудио, short title, long body - всё в одной точке данных.

**Пример: e-commerce продукт.** У продукта есть название, описание и фото. Без named vectors нужно три отдельные коллекции или три отдельные точки. С named vectors - одна точка с тремя векторами.

Настройка коллекции с named vectors

**Создание коллекции с named vectors** - вместо одного объекта vectors передаём словарь, где ключи - имена векторов.

**Важно:** у каждого named vector независимый HNSW индекс. Можно настраивать hnsw_config отдельно для каждого - например, более точный индекс для text, менее точный для вспомогательного image.

**Нельзя добавить новый named vector в существующую коллекцию** без пересоздания. Спроектируйте схему заранее. Если нужно добавить вектор позже - создайте новую коллекцию и перемигрируйте данные.

Upsert с несколькими векторами

**Upsert с named vectors** - передаём объект вместо массива в поле `vector`. Ключи объекта - имена векторов.

**Частичный upsert:** можно обновить только один вектор, не трогая остальные. Полезно когда изображение продукта изменилось, но текст - нет. Просто не передавайте неизменяемые векторы.

Поиск по named vectors и cross-modal search

**Поиск по конкретному named vector** - указываем `using` параметр. Это выбирает, в каком векторном пространстве искать.

**Cross-modal search** - ищем по одной модальности, получаем результаты с другой. Например: пользователь загружает фото, мы находим продукты и возвращаем их текстовые описания.

**CLIP для true cross-modal:** модели CLIP (ViT-B/32, ViT-L/14) проецируют текст и изображения в ОДНО общее пространство. Это позволяет искать по тексту в image-векторах и наоборот. Обычные text embeddings (OpenAI, BGE) несовместимы с image embeddings.

Ключевые идеи

• **Named vectors** - несколько векторов разных размерностей и метрик в одной точке
• **Схема фиксируется при создании** - нельзя добавить vector после создания коллекции
• **Upsert с named vectors** - передать объект `{name1: vec1, name2: vec2}` в поле vector
• **Поиск** - указать `using: 'vector-name'` для выбора пространства
• **Cross-modal search** - возможен только при совместимых пространствах (CLIP)
• Помните hook? Одна точка = весь продукт - без дублирования, с поиском по любой модальности

Что дальше

Named vectors настроены. Теперь - точечная фильтрация результатов через Filter API.

• Filter API — must/should/must_not - фильтровать по category, price, date
• Гибридный поиск — Объединить named dense + sparse через prefetch и RRF
• Группировка результатов — Дедупликация по документу при поиске по чанкам

Вопросы для размышления

• Какие модальности данных в вашем проекте могут выиграть от named vectors?
• Как выбрать, какой named vector использовать по умолчанию для вашего основного сценария поиска?
• Какие trade-offs у хранения image vector в памяти vs на диске при большой коллекции?

Связанные уроки

• la-02-dot-product