Семантический поиск

Семантический поиск позволяет находить документы по смыслу запроса, а не по точному совпадению слов. Это ключевая функция базы знаний, которая используется агентами и воркфлоу для получения актуальной информации.

Принцип работы

1. Запрос пользователя преобразуется в вектор (эмбеддинг) той же моделью, что использовалась при индексации
2. Выполняется поиск ближайших векторов в Qdrant по косинусному сходству
3. Найденные чанки ранжируются по релевантности (reranking)
4. Наиболее релевантные фрагменты возвращаются как контекст для LLM

Параметры поиска

При выполнении запроса к базе знаний доступны следующие параметры:

Параметр	Описание	По умолчанию
query	Текст поискового запроса	Обязательный
limit	Максимальное количество результатов	10
score_threshold	Минимальный порог релевантности (0.0 - 1.0)	Не задан (все результаты)
source_id	Фильтр по конкретному источнику	Не задан
project_id	Фильтр по проекту	Не задан

Порог релевантности (score_threshold)

Порог определяет, насколько "похожим" должен быть документ на запрос, чтобы попасть в результаты:

Порог	Поведение	Применение
Не задан	Возвращаются все результаты, отсортированные по релевантности	Для широкого поиска
0.3 - 0.5	Широкий поиск, много результатов	Когда нужно найти максимум информации
0.5 - 0.7	Сбалансированный поиск	Для большинства сценариев
0.7 - 0.85	Строгий поиск	Когда важна точность
0.85 - 1.0	Очень строгий	Только практически идеальные совпадения

Рекомендации по порогу

• Начните с порога 0.5 и постепенно повышайте, если результаты содержат нерелевантную информацию
• Для FAQ и точных вопросов используйте 0.7+
• Для творческих запросов и широкого контекста используйте 0.3 - 0.5

Фильтрация по проекту

Параметр project_id позволяет ограничить поиск документами, привязанными к конкретному проекту. Это полезно, когда:

• Разные проекты используют разные базы документации
• Нужно изолировать контекст поиска для конкретного продукта или направления

Примечание

Привязка документов к проектам выполняется на вкладке "Документы в базе знаний" через действие Привязать.

Результат поиска

Каждый результат поиска содержит:

Поле	Описание
text	Текст найденного фрагмента (чанка)
score	Оценка релевантности (0 - 1.0, чем выше -- тем релевантнее)
source_id	ID источника, из которого загружен документ
chunk_index	Порядковый номер чанка в документе
metadata	Дополнительные метаданные (путь к файлу, коннектор и т.д.)

---

Использование в агентах

Текстовые агенты (RAG-режим)

Для подключения базы знаний к текстовому агенту:

1. Откройте настройки агента
2. Перейдите в раздел Memory
3. Включите RAG Enabled
4. При необходимости укажите Vector Store IDs для ограничения поиска по конкретным коллекциям

Когда RAG включен, при каждом запросе пользователя:

1. Текст запроса отправляется в базу знаний
2. Найденные фрагменты добавляются в контекст LLM
3. LLM генерирует ответ, опираясь на найденную информацию

Воркфлоу

В визуальном редакторе воркфлоу доступна нода Knowledge Base Search:

• Вход: текстовый запрос
• Параметры: limit, score_threshold, source_id, project_id
• Выход: массив найденных фрагментов с оценками

Голосовые агенты

Голосовые агенты используют базу знаний через подключённые инструменты:

1. Создайте функцию или воркфлоу, выполняющий поиск по базе знаний
2. Подключите этот инструмент к голосовому агенту
3. Агент будет вызывать поиск при необходимости, чтобы ответить на вопрос

Подробнее

Для расширенного управления данными используйте расписания синхронизации и пайплайны обработки.

---

Оптимизация качества поиска

Качество документов

Качество поиска напрямую зависит от качества загруженных документов:

• Структура -- документы с чёткой структурой (заголовки, абзацы) индексируются лучше
• Язык -- избегайте смешения языков в одном документе
• Актуальность -- удаляйте устаревшие документы
• Дублирование -- избегайте дублирования информации (это снижает точность ранжирования)

Настройка чанкинга

Размер чанков влияет на качество поиска:

• Слишком мелкие чанки -- теряется контекст, ответ может быть неполным
• Слишком крупные чанки -- снижается точность совпадения, нерелевантный текст попадает в результаты

Для настройки чанкинга создайте кастомный пайплайн с оптимальными параметрами для ваших документов.

Переранжирование

Пайплайн поиска по умолчанию включает узел Reranker, который переоценивает результаты для повышения релевантности. Параметр top_k определяет, сколько результатов останется после переранжирования (по умолчанию: 10).

Совет

Если результаты поиска неточны, попробуйте:

1. Увеличить limit в узле Vector Search (например, до 50) для более широкой выборки
2. Уменьшить top_k в Reranker (например, до 5) для более строгой фильтрации
3. Повысить score_threshold для отсечения нерелевантных результатов

---

Изоляция данных

Поиск по базе знаний изолирован на нескольких уровнях:

1. Организация -- каждая организация имеет отдельную коллекцию в Qdrant. Данные разных организаций никогда не пересекаются
2. Проект -- при указании project_id поиск ограничивается документами, привязанными к проекту
3. Источник -- при указании source_id поиск ограничивается документами из конкретного источника

Это обеспечивает безопасность данных в мультитенантной среде.