Supabase + pgvector: семантический поиск без боли

Обычный поиск ищет по словам. Семантический поиск понимает смысл.

Запрос «как автоматизировать маркетинг» найдёт статью «Content Factory заменяет отдел из 20 человек», даже если слова не совпадают.

Почему Supabase + pgvector

Вариант	Плюсы	Минусы
Pinecone	Managed, быстрый	$70+/мес, vendor lock
ChromaDB	Open-source, простой	Не production-ready
Supabase pgvector	В одной БД с данными	Нужна настройка

Мы уже используем Supabase для всех данных. Добавить pgvector = добавить extension. Без нового сервиса.

Настройка

-- Включаем extension
create extension if not exists vector;

-- Таблица для embeddings
create table content_embeddings (
  id uuid primary key default gen_random_uuid(),
  content_id text not null,
  content_type text not null, -- 'article', 'product', etc.
  embedding vector(1536),
  metadata jsonb,
  created_at timestamptz default now()
);

-- Индекс для быстрого поиска
create index on content_embeddings
  using ivfflat (embedding vector_cosine_ops)
  with (lists = 100);

Генерация embeddings

Используем OpenAI text-embedding-3-small — дешёвый ($0.02/1M tokens) и достаточно качественный.

Результаты

• Время поиска: 15-30ms (vs 200-500ms keyword search)
• Релевантность: +40% по сравнению с LIKE-поиском
• Стоимость: $0 сверх Supabase подписки
• Embedding стоимость: ~$2/мес на весь контент

Семантический поиск — не роскошь. Это базовая функция для любого AI-продукта.