advanced

Vector storage

Используйте embeddings, similarity search, ANN indexes, RAG basics, pgvector и vector databases, когда semantic retrieval является частью product.

На интервью по vector storage — когда в scope семантический поиск или RAG: embeddings, метрики сходства, ANN-индексы, grounding retrieval, pgvector и managed vector DB. Часто опционально для FullStack, но полезно для архитектурных обсуждений.

Подтемы: embeddings, similarity search, ANN indexes, RAG basics, pgvector, Pinecone / Weaviate / Qdrant.

На интервью: pipeline embeddings; компромисс recall vs latency; metadata filtering с векторами; когда pgvector лучше отдельного store.

Типовые ошибки: векторы без оценки качества; игнор chunking и цитирования; ANN без измерения recall.

Компромисс — между качеством retrieval и латентностью и операционной сложностью и governance для embeddings.

Чеклист:

Задайте модель embeddings, метрику расстояния и политику обновления.
Фильтруйте по metadata до или вместе с vector search.
Измеряйте recall/latency для параметров ANN.
Выбирайте pgvector vs dedicated store по ops и масштабу.