Построение интеллектуального поиска для баз знаний и RAG-пайплайнов традиционно требовало зоопарка технологий: реляционной СУБД для документов, Elasticsearch для точных совпадений и внешней векторной базы (вроде Qdrant или Milvus) для семантики. В релизе YDB 26.3 этот функционал объединен непосредственно внутри распределенной СУБД.
Главное преимущество решения — атомарность. Полнотекстовый индекс (GLOBAL USING fulltext_relevance) и векторный индекс (GLOBAL USING vector_kmeans_tree) обновляются в единой ACID-транзакции вместе с основной строкой, устраняя рассинхронизацию между разнородными сервисами:
-- Таблица базы знаний с полнотекстовым и векторным индексами
CREATE TABLE kb_articles (
id Uint64, title Utf8, body Utf8, embedding String, PRIMARY KEY (id)
);
ALTER TABLE kb_articles ADD INDEX idx_ft_body GLOBAL USING fulltext_relevance ON (body)
WITH (tokenizer=standard, use_filter_lowercase=true);
ALTER TABLE kb_articles ADD INDEX idx_vec_embedding GLOBAL USING vector_kmeans_tree ON (embedding)
WITH (distance=cosine);
Слияние результатов по алгоритму Reciprocal Rank Fusion выполняется прямо на узлах YDB с помощью встроенной функции HybridRank, объединяющей точность ключевых слов и близость смысла:
-- Выполнение гибридного поиска с объединением текстового скора и расстояния эмбеддингов
DECLARE $query_text AS Utf8;
DECLARE $query_vector AS String;
SELECT id, title, body FROM kb_articles
ORDER BY HybridRank(FullTextScore(idx_ft_body, $query_text), Knn(idx_vec_embedding, $query_vector, 20))
LIMIT 10;
Инженерам больше не нужно строить сложные конвейеры репликации между хранилищами: YDB берет на себя горизонтальное шардирование и согласованность обоих индексов из коробки.
