Principal/WordPress Fullstack/Blueprints/IA y Agentes/Búsqueda semántica vectorial con pgvector en WooCommerce (50k SKU)
Volver a tarjetas «IA y Agentes»
IA y Agentes(ТЗ 49 из 54)
Especificación: Búsqueda semántica vectorial con pgvector en WooCommerce (50k SKU)
IA y Agentes5 шагов • +25 XP

Especificación: Búsqueda semántica vectorial con pgvector en WooCommerce (50k SKU)

Desarrollo de un buscador semántico de productos para tiendas WooCommerce con más de 50 000 referencias: base de datos PostgreSQL con pgvector, índices HNSW, cálculo asíncrono de embeddings vía Action Scheduler, búsqueda híbrida (RRF) e interfaz AJAX rápida.

~14 ч работыУровень: SeniorWordPress 6.7+ / PHP 8.3WooCommerce 9.0+ HPOSPostgreSQL 16 + pgvectorAction Scheduler (WP Background Tasks)OpenAI text-embedding-3-small / Cohere Embed v3FastAPI Microservice (или прямой PDO к Postgres)Redis Object Cache
+5 XP за шаг
Выполнено 0 из 5 шагов (0%)
Трудозатраты~14 рабочих часов
Фриланс вилка~$630 – $1,050 (€560 – €980)
Оценка веб-студии~$1,330 – $2,240 (€1260 – €2100)

ТЗ заказчика (исходный бриф):

«El buscador es el canal principal de conversión. Debe responder en menos de 150 ms y asimilar errores ortográficos, intenciones y sinónimos sin esfuerzo.»
Ключевые требования:
  • •Base de datos PostgreSQL con la extensión pgvector habilitada e indexación HNSW
  • •Generación asíncrona de embeddings en segundo plano mediante Action Scheduler para evitar bloqueos en PHP
  • •Modelos de embedding (OpenAI text-embedding-3-small o locales) con vectores de 1536 dimensiones
  • •Búsqueda híbrida Reciprocal Rank Fusion (RRF) combinando coincidencia léxica y similitud coseno
  • •Interfaz de búsqueda rápida en AJAX con debounce, previsualización de imágenes y precios en vivo
Ограничения проекта:
  • •Latencia de ejecución de consultas de búsqueda inferior a 150 ms bajo concurrencia
  • •Cero demoras al guardar o actualizar productos en el panel de administración
Критерии приёмки (KPI):
  • Disminución de búsquedas sin resultados en ≥ 80%
  • Incremento de la tasa de conversión de búsqueda a compra en ≥ 25%
  • Carga de CPU en el servidor de base de datos en picos de tráfico < 40%

Пошаговое практическое руководство по ТЗ

Подробный разбор архитектуры, код реализации и советы эксперта по каждому этапу:

1
Этап 1 из 5

Paso 1: Diseño del esquema PostgreSQL pgvector e indexación HNSW

~45 минСредний

Практическое руководство:

Diseñe la tabla product_embeddings con campos product_id, language, metadata en formato JSONB y embedding vector(1536). Genere un índice HNSW utilizando la distancia coseno (vector_cosine_ops).

План и контрольные точки реализации:
1Установить расширение vector в PostgreSQL
2Создать таблицу wc_product_embeddings с метаданными
3Построить индекс HNSW с оператором vector_cosine_ops
Важные технические нюансы и подводные камни:

Ajuste los parámetros del índice HNSW: m = 16, ef_construction = 64 para equilibrar precisión de recuperación y velocidad de indexación.

Ожидаемый артефакт этапа:

Оптимизированная база векторных индексов для WooCommerce.

SQL
CREATE EXTENSION IF NOT EXISTS vector;

CREATE TABLE wc_product_embeddings (
    product_id BIGINT PRIMARY KEY,
    sku VARCHAR(64),
    title TEXT NOT NULL,
    category_ids INT[],
    price NUMERIC(10, 2),
    stock_status VARCHAR(16) DEFAULT 'instock',
    search_text TEXT NOT NULL,
    embedding vector(1536),
    updated_at TIMESTAMP DEFAULT CURRENT_TIMESTAMP
);

-- Индекс HNSW для мгновенного косинусного поиска
CREATE INDEX idx_wc_product_embedding_hnsw 
ON wc_product_embeddings 
USING hnsw (embedding vector_cosine_ops)
WITH (m = 16, ef_construction = 64);

-- B-Tree индекс для мгновенной фильтрации по наличию и SKU
CREATE INDEX idx_wc_products_sku ON wc_product_embeddings (sku);
CREATE INDEX idx_wc_products_stock ON wc_product_embeddings (stock_status);
2
Этап 2 из 5

Paso 2: Indexación asíncrona en segundo plano con Action Scheduler

~60 минСредний
3
Этап 3 из 5

Paso 3: Motor generador de embeddings vectoriales

~45 минСредний
4
Этап 4 из 5

Paso 4: Algoritmo de búsqueda híbrida y fusión de rangos recíprocos (RRF)

~60 минСложный
5
Этап 5 из 5

Paso 5: Integración del componente de búsqueda rápida en frontend

~45 минСредний

Типичные грабли на этом ТЗ

3 антипаттерна

Что сдаём клиенту (Deliverables)

Чек-лист сдачи
Схема таблицы PostgreSQL с поддержкой pgvector и HNSW индексом
Плагин WooCommerce (wc-pgvector-search) с хуками синхронизации каталога
Фоновый воркер Action Scheduler для первоначальной индексации 50k товаров
Гибридный алгоритм ранжирования RRF (Reciprocal Rank Fusion)
AJAX автокомплит строка поиска с фильтрами по цене и наличию

Инструменты экосистемы Fullstack AI Lab для этого ТЗ

Интеграция

AI-Собеседование

Пройти голосовое или текстовое интервью по технологиям ТЗ

Архитектурные Воркфлоу

43 пошаговых сценария с командами CLI и готовыми конфигами