YDB 26.3 объединяет поиск по словам и смыслу в одном SQL-запросе

2 октября 2026 года команда YDB рассказала о полнотекстовом и гибридном поиске в версии 26.3. Теперь результаты поиска по словам и по близости эмбеддингов можно объединить функцией HybridRank в одном SQL-запросе.

Для базы знаний это решает обычную проблему: номер документа или код ошибки нужно найти точно, а описание ситуации по смыслу. Одной векторной близости недостаточно для уникального идентификатора, а совпадение слов может пропустить нужную мысль, выраженную иначе.

Два индекса одной таблицы

Гибридный поиск не создаёт отдельный особый индекс. Он использует полнотекстовый fulltext_relevance по текстовой колонке и vector_kmeans_tree по колонке эмбеддингов той же таблицы.

Первая ветвь даёт оценку BM25. Она учитывает частоту слова, длину документа и редкость слова в наборе данных. Вторая ветвь ищет близкие векторы и помогает находить смысловые совпадения без одинаковых формулировок.

Индексы хранятся в YDB как служебные таблицы и обновляются вместе с исходными данными. Это позволяет выполнять поиск внутри СУБД вместо отдельного переноса данных в поисковую систему и последующего слияния ответов в приложении.

При этом транзакционная согласованность не делает векторный поиск точным перебором. Он остаётся приближённым, а качество зависит от кластеров, размера просмотренной области и свойств данных.

Что должно сделать приложение

Согласно документации гибридного поиска, приложение передаёт и текст запроса, и его эмбеддинг. YDB самостоятельно не вычисляет эмбеддинги, поэтому модель для их получения остаётся отдельной частью приложения.

Сам запрос читает основную таблицу без VIEW. В ORDER BY должен стоять единственный вызов HybridRank с выражением полнотекстовой оценки и векторного расстояния или сходства.

По колонкам в аргументах YDB выбирает подходящие индексы, получает кандидатов из обеих ветвей и формирует общий результат. Если для колонки подходят несколько индексов, выбор нужно уточнить явным параметром Indexes.

Важно не путать подготовку данных с ранжированием. Наличие HybridRank не создаёт недостающие эмбеддинги и не превращает обычный полнотекстовый индекс fulltext_plain в индекс релевантности. Нужные структуры должны быть готовы заранее.

Как объединяются результаты

По умолчанию используется Reciprocal Rank Fusion, RRF. Метод учитывает позиции документа в выдачах, а не складывает напрямую значения BM25 и косинусного расстояния, у которых разный масштаб.

Другой режим, linear, объединяет нормализованные оценки с весами. Веса можно менять под свой набор запросов. Для полного контроля предусмотрены RankLambda и ScoreLambda, работающие соответственно с позициями или исходными оценками ветвей.

Пользовательская функция заменяет встроенное объединение. Её нельзя одновременно смешивать с параметрами Mode, Weights, K или Normalize: нужную логику следует выразить внутри самой функции.

Ограничения, которые лучше учесть сразу

Для гибридного запроса нужен непрефиксный vector_kmeans_tree. Префиксные векторные индексы в этом сценарии пока не поддерживаются. Поэтому возможности отдельно взятого фильтруемого векторного поиска нельзя автоматически переносить на HybridRank.

Обычно LIMIT задаётся числовым литералом, поскольку по нему определяются размеры пулов кандидатов. Для параметризованного LIMIT нужны явные Limits. Функцию HybridRank нельзя оборачивать в другое выражение или добавлять рядом ещё один ключ сортировки.

Размер пула влияет на полноту. Если подходящий документ не попал в кандидаты своей ветви, формула объединения уже не сможет его поднять. Поэтому плохую выдачу стоит сначала разбирать на этапе отбора и только потом менять веса.

Как оценить качество своего поиска

Полезно собрать запросы с известными правильными документами: точный код, тот же смысл другими словами, похожий симптом с иной причиной и правдоподобный, но неподходящий текст. Затем сравнить полнотекстовый, векторный и гибридный варианты на одном наборе.

Для RAG это особенно важно: языковая модель получает именно выбранные фрагменты. Если поиск принёс неправильную инструкцию, красивый ответ модели не исправит исходный отбор.

YDB 26.3 позволяет собрать две поисковые ветви в одном плане и убрать собственный код их слияния. Практический результат зависит от подготовленных индексов, внешней модели эмбеддингов и проверки выдачи на реальных запросах.

Что происходит после извлечения документов: проверка утверждений и источников в ProvenanceGuard.

Источники и ссылки


Комментарии загружаются…