**Векторное хранилище** – это специализированная база данных, оптимизированная для хранения эмбеддингов и поиска ближайших векторов. Обычные базы данных умеют искать по точным совпадениям, но совершенно не подходят для задач семантического поиска, где два текста могут быть написаны разными словами, но иметь одинаковый смысл. *Векторное хранилище позволяет эффективно работать с многомерными пространствами, в которых каждая точка представляет смысловую сущность, а поиск осуществляется через сравнение расстояний между векторами.* ## 1. Что делает vector store в RAG: Vector store – это слой, который отвечает за **хранение эмбеддингов** и **поиск по смыслу**. Именно здесь происходит ключевая операция RAG: поиск фрагментов текста, которые **семантически близки** к вопросу пользователя. Проще говоря: - документы → превращаются в embeddings; - embeddings → сохраняются в vector store; - вопрос пользователя → тоже превращается в embedding; - vector store ищет **ближайшие вектора** и возвращает связанные документы. В LangChain все vector store реализуют единый интерфейс, поэтому почти любой backend можно заменить без переписывания RAG-цепочки. ## 2. Какие бывают vector store LangChain поддерживает десятки векторных хранилищ – от локальных до облачных и распределённых. **Основные категории**: [Vector stores – Docs by LangChain](https://docs.langchain.com/oss/javascript/integrations/vectorstores?utm_source=chatgpt.com) |Категория|Примеры|Когда использовать| |---|---|---| |**Локальные**|Chroma, FAISS|Прототипы, обучение, небольшие проекты| |**Серверные / Open-source**|Qdrant, Weaviate, Milvus|Продакшен, контроль данных| |**Облачные**|Pinecone, Supabase Vector|Масштабирование, высокая нагрузка| |**SQL-based**|PGVector|Если уже есть Postgres| vector store – это инфраструктурный выбор, а не часть бизнес-логики. Его можно заменить, если правильно выстроен интерфейс.