Головна/WordPress Fullstack/Блупринти/ШІ & Агенти/Семантичний векторний пошук товарів pgvector у WooCommerce (50k SKU)
До карток розділу «ШІ & Агенти»
ШІ & Агенти(ТЗ 49 из 54)
ТЗ: Семантичний векторний пошук товарів pgvector у WooCommerce (50k SKU)
ШІ & Агенти5 шагов • +25 XP

ТЗ: Семантичний векторний пошук товарів pgvector у WooCommerce (50k SKU)

Розробка інтелектуального семантичного пошуку товарів для магазину WooCommerce на 50 000+ SKU: база даних PostgreSQL pgvector, HNSW-індексація, асинхронна генерація ембеддінгів через Action Scheduler, гібридний пошук (RRF) та швидкий AJAX-інтерфейс.

~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):

«Пошук — це наш головний канал продажів. Він повинен працювати блискавично (< 150 мс) і точно розпізнавати помилки, синоніми та контекст.»
Ключевые требования:
  • •База даних PostgreSQL із розширенням pgvector та HNSW-індексацією
  • •Фонова пакетна генерація векторів через Action Scheduler для уникнення таймаутів PHP
  • •Модель OpenAI text-embedding-3-small або локальна модель із векторами розмірності 1536
  • •Гібридний пошук Reciprocal Rank Fusion (RRF), що об'єднує повнотекстовий та векторний скоринг
  • •Швидкий фронтенд пошуку на AJAX із затримкою debounce, прев'ю фотографій та бейджами цін
Ограничения проекта:
  • •Час виконання пошукового запиту < 150 мс при високій конкурентності
  • •Повна відсутність затримок при збереженні товарів у панелі адміністратора
Критерии приёмки (KPI):
  • Скорочення кількості запитів із нульовою видачею на ≥ 80%
  • Зростання конверсії з пошуку в кошик на ≥ 25%
  • Навантаження на CPU бази даних у пікові години < 40%

Пошаговое практическое руководство по ТЗ

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

1
Этап 1 из 5

Крок 1: Проєктування схеми PostgreSQL pgvector та індексу HNSW

~45 минСредний

Практическое руководство:

Створіть таблицю product_embeddings із полями product_id, language, metadata JSONB та embedding vector(1536). Побудуйте індекс HNSW за косинусною відстанню (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:

Калібруйте параметри HNSW: m = 16, ef_construction = 64 для оптимального балансу між точністю вибірки та швидкістю побудови.

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

Крок 2: Фонова асинхронна індексація через Action Scheduler

~60 минСредний
3
Этап 3 из 5

Крок 3: Генератор векторних ембеддінгів (OpenAI / Cohere API)

~45 минСредний
4
Этап 4 из 5

Крок 4: Алгоритм гібридного пошуку (Hybrid Search & RRF)

~60 минСложный
5
Этап 5 из 5

Крок 5: Швидкий AJAX-компонент пошуку та інтеграція 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