Главная/WordPress Fullstack/Блупринты/ИИ & Агенты/Семантический векторный поиск товаров pgvector в WooCommerce (50k SKU)
К карточкам раздела «ИИ & Агенты»
ИИ & Агенты(ТЗ 49 из 54)
ТЗ: Семантический векторный поиск товаров pgvector в WooCommerce (50k SKU)
ИИ & Агенты5 шагов • +25 XP

ТЗ: Семантический векторный поиск товаров pgvector в WooCommerce (50k SKU)

Внедрение современного векторного и гибридного поиска товаров в интернет-магазин WooCommerce с большой номенклатурой (50 000+ SKU): расширение PostgreSQL pgvector, асинхронный пайплайн индексации через Action Scheduler, ранжирование BM25 + Dense и подбор товаров по неточным запросам.

~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):

«Пользователь не должен знать точный артикул детали. Он должен написать проблему своими словами и сразу увидеть подходящие запчасти с ценами и кнопкой "В корзину".»
Ключевые требования:
  • •Поиск по смысловым синонимам, опечаткам и разговорным фразам
  • •Гибридный скоринг: точный SKU (вес 1.0) + Векторное сходство (вес 0.7) + BM25 (вес 0.3)
  • •Фильтрация результатов строго по наличию (instock) и выбранной категории
  • •Автоматическое обновление эмбеддинга при изменении названия или описания товара
  • •Время ответа поиска при вводе в строку < 180 мс
Ограничения проекта:
  • •Экономичный бюджет на токены эмбеддингов: не более $10 на весь каталог 50k SKU
  • •Поддержка High-Performance Order Storage (HPOS) и WooCommerce Blocks
Критерии приёмки (KPI):
  • P95 время поисковой выдачи < 200 мс
  • Рост конверсии поиска в добавление в корзину на 25%+
  • 100% покрытие каталога актуальными векторами

Пошаговое практическое руководство по ТЗ

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

1
Этап 1 из 5

Проектирование схемы PostgreSQL pgvector с HNSW индексом

~45 минСредний

Практическое руководство:

Создайте таблицу product_embeddings в PostgreSQL. Добавьте расширение vector, колонку embedding vector(1536) и постройте приближенный индекс HNSW для быстрого косинусного поиска.

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:

Параметры m = 16, ef_construction = 64 обеспечивают оптимальный баланс между скоростью поиска и качеством на 50 000 товаров.

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

Фоновая асинхронная индексация через Action Scheduler

~60 минСредний
3
Этап 3 из 5

Генерация векторных эмбеддингов (OpenAI / Cohere API)

~45 минСредний
4
Этап 4 из 5

Алгоритм гибридного поиска (Hybrid Search & RRF)

~60 минСложный
5
Этап 5 из 5

Быстрый AJAX-компонент поиска и интеграция в тему

~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