Система поиска и рекомендаций товаров на RAG
смотреть через youtube
смотреть через dzen
Поиск похожих товаров с помощью RAG — это современный подход к созданию рекомендательных систем для интернет-магазинов. Вместо простого поиска по ключевым словам, система понимает смысл запроса и находит товары, которые действительно похожи по характеристикам и описанию.
В основе такой системы лежит векторная база данных. Каждый товар превращается в числовой вектор (эмбеддинг), который отражает его суть. Когда пользователь ищет что-то, его запрос тоже превращается в вектор. Дальше система находит товары с наиболее близкими векторами.
Как устроен проект
Для реализации нам нужны три основных компонента: LangChain для работы с эмбеддингами, ChromaDB как векторная база данных и модель Google Gemini для создания векторов через OpenRouter API.
Сначала создаём виртуальное окружение и устанавливаем зависимости:
python -m venv venv
source venv/bin/activate
pip install -r requirements.txtВ файле .env указываем API ключ OpenRouter:
OPENROUTER_API_KEY=your_api_key_hereСтруктура проекта выглядит так: в папке products/ хранится база товаров в формате markdown, embeddings.py отвечает за работу с API эмбеддингов, ingest.py векторизует товары, а main.py запускает веб-интерфейс на Gradio.
Векторизация и поиск
Процесс состоит из двух этапов. Сначала запускаем скрипт векторизации, который парсит товары и сохраняет их в ChromaDB:
python ingest.pyСкрипт обрабатывает каждый товар: берёт название, категорию, цену, описание и характеристики. Всё это превращается в текст, который отправляется в модель Gemini. На выходе получаем вектор, который сохраняется в базу.
После векторизации запускаем приложение для поиска:
python main.pyGradio поднимает веб-интерфейс на http://127.0.0.1:7860. Вводим запрос вроде «беспроводные наушники для спорта» — и система возвращает наиболее подходящие товары из базы.
Поиск похожих товаров с помощью RAG хорошо работает даже на небольших базах. В нашем примере всего 30 товаров в 5 категориях, но подход легко масштабируется на тысячи позиций. Главное преимущество — система понимает контекст и находит релевантные товары, даже если в запросе нет точных совпадений с названием или описанием.
Привет! Я веб-программистДмитрий Ченгаев