Умный поиск для интернет-магазина лабораторного оборудования

Сделать поиск, который работает на специфической технической номенклатуре и помогает в том числе не погружённым в тематику покупателям (менеджерам по закупкам клиентов магазина) находить нужный товар.

Ключевые сложности:

1. Большой объём номенклатуры со специфическими свойствами.

2. Отсутствие структурированных карточек товаров по всей базе на старте проекта — большая часть свойств лежала в неструктурированных описаниях.

3. Высокая значимость количественных характеристик для технического оборудования (например, для осциллографа — полоса пропускания, частота дискретизации, точность).

4. Целевой пользователь часто формулирует запрос задачей, а не названием товара.

5. Экономика: LLM-обогащение десятков тысяч SKU прямым прогоном стоит сотни тысяч рублей — это нужно было снизить.

Гибридный поиск, выстроенный итерациями.

Итерация 1 — векторный поиск. Векторизовали описания товаров через Voyage. Запрос пользователя преобразуется в вектор, поиск возвращает топ-5 ближайших по смыслу товаров. Закрывает базовые сценарии семантического поиска.

Итерация 2 — структурирование базы. На основе описаний с сайта сгенерировали наборы свойств для каждой категории. Затем проставили значения этих свойств у каждого товара. Это позволяет работать с количественными ограничениями из запроса как с фильтрами.

Оптимизация стоимости обогащения. Прямой LLM-прогон по нескольким десяткам тысяч товаров был нерентабелен. Использовали комбинацию подходов:

- Алгоритмическая нормализация и извлечение значений там, где это возможно без LLM.

- Дешёвые модели для простых случаев, качественные — только там, где это действительно нужно.

- Кэширование и переиспользование структуры свойств внутри категории.

В сумме это сократило стоимость процедуры в 10+ раз.

Итерация 3 — гибридный поиск. На вход поступает естественноязычный запрос. Система выделяет из него семантическую часть и количественные ограничения (если они есть), применяет ограничения как фильтр поверх векторного матчинга и возвращает релевантные товары.

- Запущен умный поиск, понимающий смысловые и количественные запросы

- Большая часть товарной базы автоматически обогащена структурированными свойствами

- Стоимость обогащения сокращена в 10+ раз по сравнению с прямолинейным LLM-прогоном

- Метрики кликабельности и конверсии находятся в накоплении

В e-commerce-проектах с технически сложной номенклатурой одной семантики недостаточно — нужна структура поверх данных. Кейс описывает рабочий рецепт: векторный поиск как основа, LLM-обогащение базы для количественных ограничений, гибридный поиск как итог, и серьёзная инженерная работа над стоимостью обогащения, без которой решение не масштабируется.