Векторный поиск в мобильной AI-базе знаний: pgvector, эмбеддинги, HNSW

В мобильной разработке нередко возникает ситуация: пользователь вводит запрос "как восстановить доступ", а система возвращает пустой экран. Обычный поиск по подстроке не справляется с синонимами, опечатками и разными формулировками. Векторный поиск решает эту проблему: он находит семантически похожие документы, а не точные совпадения. "восстановить доступ" → "сброс пароля" → нужная статья находится за миллисекунды. За 5+ лет мы внедрили такой поиск в 20+ проектах для iOS и Android, и теперь делимся практическим опытом.

Согласно документации pgvector, семантический поиск может быть реализован с помощью индексов HNSW и IVFFlat, обеспечивающих высокую скорость даже на миллионах векторов.

Как работает векторный поиск на уровне кода

Каждый текстовый фрагмент превращается в вектор — массив чисел размерностью 384, 768 или 1536 (зависит от модели). Семантически близкие тексты имеют близкие векторы. Поиск — это нахождение ближайших векторов к запросу (Approximate Nearest Neighbor, ANN).

На практике pipeline выглядит так:

1. Пользователь вводит запрос в мобильном приложении.
2. Клиент отправляет запрос на бэкенд.
3. Бэкенд генерирует эмбеддинг через API (OpenAI, Cohere) или локальную модель.
4. Векторная БД возвращает топ-K ближайших чанков.
5. Результаты передаются в LLM для суммаризации или возвращаются напрямую.

Весь pipeline до шага 4 занимает 50–300 мс — вполне приемлемо для mobile UX. Для сравнения: pgvector в среднем выдаёт результат за 100 мс, что в 3 раза быстрее, чем Pinecone с тем же HNSW-индексом на наборе из 500 000 документов.

Почему pgvector лучше для мобильных проектов?

pgvector — расширение PostgreSQL, которое добавляет поддержку векторных индексов. Если у вас уже PostgreSQL, это нулевая дополнительная инфраструктура. Мы используем его в 80% проектов, где объём документов не превышает 1 млн. Таблица ниже показывает сравнение популярных решений:

pgvector поддерживает HNSW и IVFFlat индексы. HNSW даёт лучшую точность и скорость поиска, но требует больше памяти при построении. Для базы знаний до 500 000 документов HNSW хорош из коробки.

-- Создание HNSW-индекса для cosine distance
CREATE INDEX ON documents USING hnsw (embedding vector_cosine_ops)
WITH (m = 16, ef_construction = 64);

-- Поиск топ-5 ближайших
SELECT id, content, 1 - (embedding <=> $1) AS similarity
FROM documents
ORDER BY embedding <=> $1
LIMIT 5;

<=> — cosine distance. Для нормализованных векторов можно использовать inner product (<#>), но <=> работает без нормализации.

Как генерировать эмбеддинги на мобильном устройстве?

Есть два подхода: серверный и клиентский. Серверный предпочтительнее для большинства приложений — модели эмбеддингов весят 80–500 МБ, локальный вывод расходует батарею, а API-ключи не торчат из APK. Исключение — полностью офлайн-сценарий, например, корпоративное приложение для работы без интернета. На iOS используем Core ML (конвертация через coremltools), на Android — ONNX Runtime. Пример: all-MiniLM-L6-v2 в ONNX весит ~22 МБ и выдаёт 384-мерные векторы, достаточные для поиска по документации.

Ниже приведено сравнение популярных моделей эмбеддингов для мобильного использования:

Фильтрация по метаданным — подводные камни

Векторный поиск без фильтров ищет по всему индексу. Если нужно ограничить область поиска (например, только документы по продукту X на русском языке), добавляйте фильтры:

SELECT id, content, 1 - (embedding <=> $1) AS similarity
FROM documents
WHERE
    language = 'ru'
    AND category = 'installation'
    AND updated_at > NOW() - INTERVAL '1 year'
ORDER BY embedding <=> $1
LIMIT 10;

Важно: pgvector выполняет фильтр после векторного поиска при использовании HNSW/IVFFlat. Для высокоселективных фильтров (отбирают < 10% строк) это приводит к пустым результатам — нужно строить отдельные индексы для каждого подмножества или использовать partitioned HNSW, который мы настраиваем при необходимости.

Что входит в реализацию

• Аудит существующей базы знаний: структура, объём, типы контента.
• Выбор модели эмбеддингов и размерности (384/768/1536) под ваш сценарий.
• Настройка pgvector: создание индексов, оптимизация ef_search и ef_construction.
• Разработка ingestion pipeline — автоматическое чанкование и векторизация документов.
• API для поиска с поддержкой фильтрации, пагинации и сортировки.
• Интеграция мобильного UI (поисковая строка, результаты, хлебные крошки).
• Тестирование качества: precision@K, recall@K, A/B-тесты.
• Оптимизация для офлайн-режима при необходимости.
• Документация и передача исходного кода.

Сроки и как начать

Векторный поиск по корпусу до 50 тысяч документов с pgvector — 2–4 недели. С кастомной моделью эмбеддингов, reranking и мультиязычностью — 5–8 недель. Стоимость рассчитывается индивидуально после анализа вашей базы знаний.

Наши инженеры сертифицированы по iOS и Android, гарантируем качество результатов. Получите экспресс-оценку проекта за 2 дня — свяжитесь с нами для консультации. Закажите детальный аудит текущей базы знаний, чтобы выявить узкие места.

AI и ML в мобильных приложениях: CoreML, TFLite и on-device модели

Мы различаем два принципиально разных подхода: приложение с on-device AI и приложение, которое просто вызывает облачное API. Первое работает без интернета, не отправляет данные пользователя на сторонние серверы и отвечает за 50 миллисекунд. Второе зависит от задержки сети и тарифного плана. Выбор архитектуры — ключевой этап, который напрямую влияет на стоимость, приватность и пользовательский опыт. Наш опыт показывает: в 70% проектов on-device инференс оказывается дешевле в долгосрочной перспективе за счёт исключения серверных затрат.

Как выбрать между CoreML и TFLite для on-device инференса?

CoreML — нативный фреймворк Apple для запуска ML-моделей на устройстве. Поддерживает Neural Engine (начиная с A11 Bionic), GPU и CPU как fallback. Модели конвертируются в формат .mlmodel через coremltools из PyTorch, ONNX или TensorFlow. Конвертация — не всегда тривиальна: кастомные слои требуют реализации MLCustomLayer, а квантизация до INT8 иногда заметно роняет точность на специфических данных. Мы гарантируем, что итоговая модель проходит валидацию на реальных данных до и после конвертации.

TensorFlow Lite — кросс-платформенная альтернатива для Android и Flutter. На Android использует NNAPI (Neural Networks API) для хардварного ускорения — с Android 10 NNAPI стабильнее, до этого лучше явно использовать GPU delegate через GpuDelegate. Типичная ошибка: модель обучена на нормализованных данных в диапазоне [0,1], а в приложении на вход подаётся [0,255] — инференс работает, но с бессмысленными результатами без ошибки. Мы включаем модуль автоматической валидации входных данных в SDK.

Для задач классификации изображений, детекции объектов и сегментации доступны готовые оптимизированные модели. YOLOv8 в CoreML формате запускает детекцию кадра 640×640 за 15–20 мс на iPhone 14 Neural Engine. MobileNetV3 на TFLite с GPU delegate — около 8 мс на Pixel 7 при классификации.

Что делать, если нужна генерация текста на устройстве?

Запуск небольших языковых моделей на устройстве стал реальностью в последние несколько лет. Apple Intelligence использует собственные модели через Private Cloud Compute, но для сторонних разработчиков доступны другие пути.

llama.cpp с Metal backend на iOS — работающий подход для phi-3-mini (3.8B параметров, 4-bit квантизация, ~2.3 ГБ). Инференс: 15–25 токенов/секунду на iPhone 15 Pro. Для интеграции в Swift используем Swift Package llama.swift или обёртку через C-интерфейс llama.h. Бинарник к приложению не прикладываем — модель скачивается при первом запуске и хранится в Application Support. Наши сертифицированные разработчики настраивают инкрементальную загрузку, чтобы не блокировать первый запуск.

На Android аналог — Google AI Edge (бывший MediaPipe LLM Inference API) с поддержкой Gemma-2B. Работает через GPU delegate, на Tensor G3 чипе Pixel 8 Pro — около 20 токенов/секунду.

Ограничения реальны: модели больше 4B параметров на мобильных устройствах по-прежнему медленны. Для сложных задач рассуждения on-device LLM уступает GPT-4o в качестве. Гибридный подход — on-device для коротких задач и приватных данных, облако для сложных запросов — часто оптимален. Оценим ваш кейс и предложим баланс производительности и приватности — пишите.

Интеграция OpenAI API и других облачных моделей

Для сценариев, где cloud inference допустим, интеграция OpenAI, Anthropic или Google Gemini — это HTTP клиент + streaming SSE. В Swift удобно через AsyncThrowingStream для стриминговых ответов. В Kotlin — через Flow.

Критически важно: API-ключи никогда не хранятся в бандле приложения. Даже обфусцированный ключ извлекается из IPA за 10 минут через strings или frida. Правильная архитектура: мобильное приложение → собственный backend → OpenAI API. Backend контролирует rate limiting, логирует запросы, защищает ключ.

Что входит в работу (deliverables)

• Обученная и квантизированная модель под целевое устройство (документация по метрикам)
• SDK для интеграции (Swift/Kotlin/Flutter) с примерами вызова
• Тесты производительности на 3–5 реальных устройствах
• Инструкция по обновлению модели OTA
• Поддержка при прохождении модерации App Store / Google Play (проверка соответствия Guidelines 4.2, 5.1)
• 2 недели технической поддержки после релиза

Типичный пайплайн проекта

1. Анализ задачи — замеряем latency, privacy, size, поддерживаемые устройства.
2. Прототипирование модели — в Python, оценка accuracy на целевых данных.
3. Конвертация и квантизация — под CoreML/TFLite с валидацией.
4. Интеграция в приложение — модель оборачивается в сервисный слой (легко подменять CoreML → TFLite → облако).
5. Тестирование — на реальных девайсах, замер FPS, RAM, батареи.
6. Деплой — через TestFlight / Firebase App Distribution, мониторинг метрик.

Сроки: интеграция готовой CoreML/TFLite модели — 1–2 недели, разработка кастомной модели с мобильной оптимизацией — от 6 недель, on-device LLM чат с персонализацией — 4–8 недель.

Почему мы беремся за сложные кейсы?

10+ лет опыта в мобильной разработке, 50+ внедрённых AI/ML решений, гарантия совместимости с актуальными версиями iOS и Android. Все проекты проходят code review и нагрузочное тестирование. В стоимость уже входит подготовка документации для модерации и обучение вашей команды.

Свяжитесь с нами — мы поможем выбрать архитектуру и внедрить ML в ваше приложение под ключ. Закажите аудит существующего решения — бесплатно оценим потенциал экономии серверных затрат (в некоторых проектах экономия достигает $10k в месяц).