Вы устраиваете вечеринку и хотите приготовить свою знаменитую пасту карбонара. Вы открываете приложение продуктового магазина и переходите из одного (виртуального) прохода в другой, выбирая ингредиенты по одному, а в конце забываете про яйца. На самом деле вам хочется просто рассказать приложению, что именно вы будете готовить, и получить ровно то, что нужно: без пропущенных или забытых ингредиентов, и за малую долю времени.
Несколько лет назад это показалось бы немыслимым. Языковые модели изменили ситуацию, и то, что раньше казалось баловством, быстро становится обязательным требованием. Мы постоянно слышим от наших клиентов, что они хотят давать покупателям то, что тем действительно нужно, а не то, что они умеют искать. И мы реализовали именно это с помощью Medusa Search.
Распознавание намерений
Все знают, как работает стандартный поиск: сопоставление ключевых слов, фасеты, ценовые диапазоны и так далее. Это отлично работает, когда вы точно знаете, что ищете. Но что происходит, когда вы этого не знаете?
Введите в поисковую систему по ключевым словам запрос «что-нибудь теплое на дождливый вечер», и вы не получите ничего. Семантический движок вернет суп, горячий шоколад или вкусный теплый чай. Именно здесь в игру вступает семантический поиск.
Цель семантического поиска — уловить намерение: найти объекты, наиболее «близкие» к тому, что вы выразили. Так как же мы определяем, что близко, а что далеко? Представьте каждый продукт как точку на карте, и чем ближе находятся продукты, тем они сильнее похожи друг на друга.
Под капотом это происходит в два этапа. Сначала текст преобразуется в массив чисел, называемый вектором или встраиванием (эмбеддингом). Это и есть координаты на карте. Затем поисковая система сравнивает расстояние между вектором вашего запроса и векторами всего, что находится в вашем индексе.
Первый шаг выполняется моделью встраивания — языковой моделью, созданной специально для этой цели. У каждой модели свои свойства. На тарифе Scale вы генерируете эмбеддинги с помощью выбранной модели и передаете векторы в Medusa Search. На Enterprise Medusa может генерировать их для вас «из коробки».
Второй шаг происходит внутри поисковой системы. Она находит в индексе элементы, которые наиболее близки к вашему запросу, в чем и заключается главный смысл семантического поиска.
Создание качественной строки для эмбеддинга
Семантический поисковый движок умен ровно настолько, насколько качественные данные в него поступают. Для продуктового магазина строка эмбеддинга высокого качества обычно включает в себя следующие свойства товара:
Название продукта и бренд: точное наименование и производитель (например, спагетти Barilla).
Иерархия категорий: путь, задающий более широкий контекст (например, Бакалея > Паста и макароны > Длинная паста).
Ключевые атрибуты: вес, размер, совместимость с диетами или происхождение (например, 16 унций, веганский, сделано в Италии).
Текстовое описание: стандартное описание вкусового профиля или текстуры продукта.
Варианты использования и синонимы (крайне важно для продуктов питания): связанные рецепты, типы блюд и альтернативные названия (например, паста карбонара, спагетти с жирным мясом и яйцами).
Например, если вы продаете гуанчале, вы можете составить следующую строку:
Несколько моментов, которые следует иметь в виду:
- Исключайте то, что часто меняется. Цена, уровней запасов и ID добавляют шума в эмбеддинг, и с ними лучше работать с помощью фильтров.
- Используйте один и тот же шаблон для каждого товара. Эмбеддинги сопоставимы только в том случае, если строки построены одинаково.
- Поручите LLM написание вариантов использования. Никто не будет вручную прописывать рецепты для 10 000 товаров. При индексации товара попросите LLM сгенерировать строку «Частые способы применения» на основе остальных данных о нем. Это разовые затраты на один товар, и именно они позволяют поиску по запросу «карбонара» находить гуанчале.
Улучшение пользовательского опыта с помощью LLM
Семантический поиск работает быстро и стоит недорого, но он все же рассчитывает на довольно сфокусированный запрос. Для по-настоящему диалогового опыта внедрите перед ним LLM.
Это работает как двухэтапный процесс. Сначала покупатели общаются с LLM: описывают, что они готовят, делятся фотографией рецепта и так далее. Как только они закончат, вы просите LLM превратить диалог в поисковые запросы — по одному для каждого необходимого товара, а не в виде одной общей строки. Инструкция может выглядеть примерно так:
Вы превращаете запрос покупателя в список коротких поисковых запросов для семантической поисковой системы продуктового магазина — по одному запросу на каждый необходимый ему товар.
Например:
Покупатель: «Готовлю карбонару на 8 человек в субботу, один гость вегетарианец».
Вывод LLM: ["спагетти 2кг", "гуанчале", "копченый тофу или грибы", "пекорино романо", "яйца свободного выгула", "черный перец"]
Затем пропустите каждый запрос через Medusa Search: как текст на Enterprise или как вектор, сгенерированный самостоятельно на Scale. Возьмите лучший результат для каждого запроса, и вы получите полную корзину, включая яйца.
Конкретный интерфейс и промпт, которые вы создадите, будут сильно различаться в зависимости от вашей сферы, но базовые принципы остаются прежними.
Начало работы
Семантический поиск доступен на тарифах Scale и Enterprise в Medusa Cloud. На тарифе Scale вы используете собственные эмбеддинги, а на Enterprise Medusa может генерировать их за вас. Узнайте больше на нашей странице с ценами.
Вы можете протестировать Medusa Search на демо-каталоге на нашей странице Search. Чтобы добавить его в собственный проект, следуйте руководству по началу работы. Вам потребуется Medusa версии v2.21.1 или выше, развернутая в Cloud. Руководство проведет вас через шаги по определению индекса продуктов, предоставлению к нему доступа вашему магазину и выполнению первого поиска.
Если вы создаете приложение с использованием ИИ-агента, вставьте следующий промпт:
Информацию о настройке эмбеддингов и примеры семантических запросов см. в нашем руководстве по семантическому поиску.
