> ## Documentation Index
> Fetch the complete documentation index at: https://clickhouse.com/docs/llms.txt
> Use this file to discover all available pages before exploring further.

# Можно ли использовать ClickHouse для векторного поиска?

> Узнайте, как использовать ClickHouse для векторного поиска, включая хранение эмбеддингов и поиск с помощью функций расстояния, таких как косинусное сходство.

{frontMatter.description}

<div id="clickhouse-for-vector-search">
  ## ClickHouse для векторного поиска!
</div>

Да, ClickHouse поддерживает векторный поиск.

Основные преимущества использования ClickHouse для векторного поиска по сравнению с более специализированными векторными базами данных:

* Возможность использовать фильтрацию и полнотекстовый поиск ClickHouse, чтобы сузить датасет перед выполнением поиска.
* Возможность выполнять аналитику по вашим датасетам.
* Возможность выполнять `JOIN` с уже имеющимися данными.
* Не нужно управлять еще одной базой данных и усложнять инфраструктуру.

Ниже — краткое руководство по использованию ClickHouse для векторного поиска.

<Steps>
  <Step title="Создание эмбеддингов">
    Ваши данные (документы, изображения или структурированные данные) нужно преобразовать в *эмбеддинги*. Мы рекомендуем создавать эмбеддинги с помощью [OpenAI Embeddings API](https://platform.openai.com/docs/api-reference/embeddings) или библиотеки Python с открытым исходным кодом [SentenceTransformers](https://www.sbert.net/).

    Эмбеддинг можно представить как большой массив чисел с плавающей запятой, который представляет ваши данные. [Ознакомьтесь с этим руководством OpenAI, чтобы узнать больше об эмбеддингах](https://developers.openai.com/api/docs/guides/embeddings).
  </Step>

  <Step title="Хранение эмбеддингов">
    После того как эмбеддинги сгенерированы, их нужно сохранить в ClickHouse. Каждый эмбеддинг следует хранить в отдельной строке; также можно добавить метаданные для фильтрации, агрегаций или аналитики. Вот пример таблицы для хранения изображений с подписями:

    ```sql theme={null}
    CREATE TABLE images
    (
    	`_file` LowCardinality(String),
    	`caption` String,
    	`image_embedding` Array(Float32)
    )
    ENGINE = MergeTree;
    ```
  </Step>

  <Step title="Поиск похожих эмбеддингов">
    Допустим, вы хотите найти в своем датасете изображения собак. Для этого можно использовать функцию расстояния, например `cosineDistance`: взять эмбеддинг изображения собаки и найти похожие изображения:

    ```sql theme={null}
    SELECT
        _file,
    	caption,
    	cosineDistance(
            -- Эмбеддинг вашего "входного" изображения собаки
            [0.5736801028251648, 0.2516217529773712, ...,  -0.6825592517852783],
            image_embedding
        ) AS score
    FROM images
    ORDER BY score ASC
    LIMIT 10
    ```

    Этот запрос возвращает имена `_file` и `caption` 10 изображений, которые с наибольшей вероятностью соответствуют заданному изображению собаки.
  </Step>
</Steps>

<div id="further-reading">
  ## Дополнительные материалы
</div>

Более подробное руководство по векторному поиску в ClickHouse см. здесь:

* [Точный и приближённый векторный поиск](/docs/ru/reference/engines/table-engines/mergetree-family/annindexes)