Дубовой: Верба - векторный умный поиск товаров через нейросети, ver. 1.3.23

Дубовой: Верба — это интеллектуальный векторный поиск для интернет-магазина на 1С‑Битрикс, который помогает покупателю находить товары быстрее, точнее и удобнее, чем стандартный поиск по каталогу. В основе технологии лежит векторный поиск по смыслам, а также усиление через нейросети.

В отличие от обычного поиска, который в основном опирается на точные совпадения слов, Верба учитывает смысл запроса, опечатки, раскладку клавиатуры, транслит, формы слов, свойства товаров, цену, наличие и реальные конверсии. Это позволяет покупателю искать так, как ему привычно, — в свободной форме и без необходимости угадывать точное название товара из каталога.

Одно из ключевых отличий модуля состоит в том, что для него не нужно вручную строить и постоянно поддерживать большой справочник синонимов. Верба расширяет понимание запросов автоматически за счет векторного поиска и смыслового сопоставления товаров. Такой подход делает поиск более современным,
гибким и масштабируемым.










Точный слой
Сначала модуль ищет по названию, артикулу, бренду, любым другим свойствам, цене и наличию. Это дает быстрый и предсказуемый результат там, где пользователь ищет товар точно. На уровне модуля можно определять какие параметры будут попадать в поисковую выдачу.

Слой исправления запроса
Дальше модуль учитывает опечатки, раскладку клавиатуры, транслит и морфологию. Это снижает число пустых поисков.

Смысловой слой
Если точного совпадения мало или запрос более «человеческий», подключается векторный поиск по смыслу. Он помогает найти товары по смыслу, а не только по буквам. При этом смысловой слой можно подключать дополнительным блоком к точному поиску в качестве “рекомендуемых товаров” к этому запросу.

Поведенческий слой
Модуль учитывает статистику, клики и конверсии и мягко поднимает более эффективные товары выше. Поиск начинает работать не только на релевантность, но и на продажи.

LLM-слой
При необходимости верх выдачи может дополнительно уточняться нейросетью. Это особенно полезно для сложных и длинных запросов, что делает поисковую выдачу максимально точной и релевантной. Модуль поддерживает Российскую нейросеть на базе Яндекса, а также всемирно известную нейросеть компании OpenAI (разработчик ChatGPT).

В результате покупатель быстрее находит товар, магазин получает меньше пустых поисков, а выдача становится одновременно и точной, и «умной».
































Старт без лишних затрат на внешние API-сервисы
На старте модуль можно запустить экономно и без избыточных вложений в инфраструктуру.

Qdrant Cloud
Qdrant — это векторная база данных. Она хранит смысловые представления товаров и помогает находить похожие товары не по буквам, а по смыслу запроса.
• модуль превращает товары в векторы;
• загружает их в Qdrant;
• при поиске отправляет туда смысловой запрос;
• получает наиболее близкие по смыслу товары.


Сервис предоставляет бесплатное место в хранилище. На практике этого часто достаточно для каталога порядка до 100 000 товаров в базовом сценарии, если используются компактные векторы и нет чрезмерно тяжелой метадаты. Это инженерная оценка, а не жесткая гарантия: реальный объем зависит от числа векторов, офферов и состава данных.


Yandex Cloud Embeddings
Yandex Cloud Embeddings — это сервис, который превращает текст в векторы. Именно он помогает модулю «понимать» смысл названий, описаний и свойств товаров.
• модуль строит фид товаров;
• отправляет тексты в сервис эмбеддингов;
• получает числовые представления;
• затем использует их в Qdrant для смыслового поиска.


Для новых аккаунтов Яндекс предоставляет стартовый грант. Для новых аккаунтов в РФ это обычно от 4 000 ₽, а в некоторых сценариях больше — в зависимости от типа аккаунта и способа оплаты. Такого старта во многих случаях достаточно, чтобы не тратить деньги сразу на первичную векторизацию фида и тестовый запуск модуля.


OpenAI / Yandex LLM Rerank
Это дополнительный слой качества. Он не обязателен, но может еще точнее перестраивать верх поисковой выдачи по сложным запросам.
• сначала модуль находит кандидатов обычным и векторным поиском;
• затем LLM может переупорядочить верхние результаты;
• в итоге пользователь получает более точную выдачу по сложным запросам.


Таким образом, магазин может сначала запустить пилот, проверить качество поиска на реальных запросах и только затем масштабировать решение по мере роста каталога и нагрузки.