К содержимому
Дайджест

SQLite как векторная база: два расширения

NeuralNine·7 сентября 2026·26:03
текст даёт основное можно повторить пошагово
Открыть на YouTube
Разбор двух расширений, превращающих SQLite в векторную базу, с живым кодом и бенчмарками — для разработчиков, которые строят RAG и не хотят поднимать отдельное хранилище.

Что в ролике

Если для RAG нужен поиск по смыслу, отдельную векторную базу ставить не обязательно: SQLite расширяется до неё двумя способами, и автор показал оба в коде. Первое расширение sqlite-vec делает ставку на простоту и лёгкость, второе sqlite-vector — на производительность и настройки, примерно как pgvector у Postgres. Проекты он поднял через uv, взяв модель эмбеддингов text-embedding-3-small с размерностью 1536: у sqlite-vec это виртуальная таблица vec0 с колонкой float[1536], вспомогательной колонкой для текста и обычной колонкой-метаданными, у sqlite-vector — таблица с BLOB и обязательной инициализацией vector_init, где задаются тип, размерность и метрика расстояния. Вставка векторов тоже различается: в первом случае serialize_float32, во втором json.dumps плюс vector_as_float32, а поиск идёт соответственно через match с указанием K ближайших и через vector_full_scan с join по rowid. Колонка с плюсом становится вспомогательной и в фильтр WHERE не годится — попытка даёт ошибку про illegal WHERE constraint on auxiliary column, поэтому категории объявляют обычными колонками. На тестовых фразах про Python, SQLite, апельсины, яблоки и Linux запрос «I like bananas» вернул апельсины и яблоки с посчитанной дистанцией, то есть поиск по смыслу работает на обычном файле SQLite. Скорость оказалась близкой: на 50 000 случайных векторов 84 против 79 миллисекунд на запрос, на 150 000 — 241 против 231, и разрыв вышел меньше ожидаемого. Зато по памяти и диску картины разные: 50 000 векторов без сжатия занимают 50 МБ против 19,8 МБ с turbo4, а база sqlite-vec с одними сжатыми векторами весит 2,2 МБ, тогда как sqlite-vector использует квантование не для экономии места, а для скорости, и держит оригиналы рядом.

Практика

Что получишь
Сможете выбрать расширение под свою задачу и собрать минимальный рабочий пример: создать таблицу с векторами, вставить эмбеддинги, отфильтровать записи по метаданным и получить самые похожие.
Первый шаг
Поставить sqlite-vec и повторить пример в базе в памяти на своих пяти фразах, прежде чем переносить схему в настоящий проект.
Цифры
  • —1536 — размерность эмбеддингов text-embedding-3-small, её же указывают в схеме таблицы
  • —84 против 79 миллисекунд на запрос при 50 000 векторов и 241 против 231 при 150 000
  • —50 МБ против 19,8 МБ — столько занимают 50 000 векторов в полном виде и после квантования turbo4
  • —2,2 МБ — размер базы sqlite-vec, если хранить только сжатые векторы; у sqlite-vector после сжатия база становится больше, потому что оригиналы остаются на месте
Честно
Пакет второй библиотеки называется не так, как само расширение: pip install sqlite-ai-vector, и автор сам наткнулся на это уже по ходу записи. Бенчмарки — четыре собственных скрипта на случайных векторах, разница в скорости вышла меньше ожидаемой, и автор объясняет это занятым GPU, а не свойствами расширений. Часть шагов видна только на экране: точные команды uv, тексты SQL-запросов и панели терминала; для эмбеддингов нужен свой ключ OpenAI в файле .env или случайные массивы numpy вместо него.
Если слова незнакомы — 6 терминов

Связки из этого ролика

6 шт.

Компоненты

14 шт.

Формат: пошаговый урок · для практикующих · уверенность разметки 0.86 · источник