RAG и векторный поиск на Битрикс24 VibeCode: бесплатная модель bitrix/embeddings

Что такое эмбеддинги и зачем они нужны бизнесу

Эмбеддинг - это числовой вектор, в который модель «упаковывает» смысл текста. Два похожих по смыслу предложения получают близкие векторы, даже если в них нет ни одного общего слова. Именно это свойство лежит в основе семантического (векторного) поиска и технологии RAG.

Чем семантический поиск лучше поиска по ключевым словам:

Критерий	Поиск по ключевым словам	Семантический (векторный) поиск
Находит синонимы	✗ «клиент» ≠ «заказчик»	✓ оба варианта - один смысл
Учитывает контекст запроса	✗ только точное совпадение	✓ ищет по намерению
Работает с опечатками	Частично	✓ устойчивее к ошибкам
Находит «похожие» объекты	✗	✓ похожие лиды, тикеты, резюме
Нужен точный термин	Обязательно	Необязательно

Для корпоративных данных это принципиально: менеджер ищет «задержка поставки», а в системе написано «срыв срока отгрузки» - поиск по ключевым словам промолчит, семантический - найдёт.

В рамках платформы Битрикс24 VibeCode модель bitrix/embeddings доступна через стандартный API, бесплатна и работает полностью внутри российской инфраструктуры.

---

Модель bitrix/embeddings: как устроен API

Модель подключается как обычная модель через AI Router платформы VibeCode. Формат запроса совместим с OpenAI - это упрощает перенос существующего кода.

Ключевые параметры (на момент публикации):

• Эндпоинт: POST /v1/embeddings
• Модель: bitrix/embeddings
• Авторизация: ключ со scope vibe:ai, заголовок X-Api-Key: <ключ>
• Стоимость: бесплатно
• Формат запроса: массив строк в поле input → массив векторов в ответе (обрабатывается за один запрос)
• Документация: https://vibecode.bitrix24.tech/docs/ai/embeddings

Пример запроса:

POST /v1/embeddings
X-Api-Key: <ключ>

{
  "model": "bitrix/embeddings",
  "input": [
    "клиент просит перенести встречу",
    "менеджер уточнил дату переговоров"
  ]
}

В ответ - массив векторов, по одному на каждую строку input. Векторы сохраняются в векторное хранилище на стороне вашего приложения; сам Битрикс24 хранилищем не служит - его нужно организовать самостоятельно (например, PostgreSQL с расширением pgvector, Qdrant, Chroma или любой другой совместимый движок).

Важно: квоты и лимиты платформы могут меняться - платформа находится в активной AI-бете (июль 2026). Актуальные цифры всегда на https://vibecode.bitrix24.tech/docs.

---

Сценарии применения в Битрикс24

Как данные из разных источников Битрикс24 проходят через модель эмбеддингов и попадают в векторное хранилище, откуда их может извлечь поисковый запрос или RAG-ассистент.

На вход поступают тексты из CRM, чатов и базы знаний; модель bitrix/embeddings преобразует их в векторы и сохраняет во внешнее хранилище; при поисковом запросе или вопросе к ассистенту система находит ближайшие векторы и передаёт найденные фрагменты языковой модели для ответа.

flowchart LR
    CRM[Сделки, лиды,\nконтакты CRM] --> EMB[bitrix/embeddings\nPOST /v1/embeddings]
    CHAT[Чаты и\nкомментарии] --> EMB
    KB[База знаний\nи регламенты] --> EMB
    EMB --> VS[(Векторное\nхранилище)]
    USER[Запрос\nпользователя] --> SEARCH[Семантический\nпоиск]
    VS --> SEARCH
    SEARCH --> LLM[Языковая модель\nAI Router]
    LLM --> ANS[Ответ ассистента]

Семантический поиск внутри приложения

Пользователь вводит вопрос произвольным текстом - приложение находит наиболее близкие по смыслу документы или карточки CRM, даже если в запросе нет точных слов из базы. Полезно для поиска по архиву переписки, описаниям задач, базе продуктов.

«Похожие сущности»

Сравнение векторов позволяет находить похожие лиды, тикеты поддержки или резюме кандидатов. Например: новый запрос в поддержку - система показывает три ближайших решённых обращения с их ответами.

RAG-ассистент по данным компании

RAG (Retrieval-Augmented Generation) - подход, при котором языковая модель отвечает строго на основе найденных фрагментов, а не генерирует ответ «из головы». Это принципиально для корпоративного применения: ассистент не выдумывает политику компании или цены - он цитирует ваши регламенты. Подробнее о том, как собрать бота поддержки по регламентам, - в статье «База знаний 2.0 через API в Битрикс24 VibeCode».

Авто-маршрутизация и авто-теги

Входящее обращение клиента превращается в вектор и сравнивается с эталонными векторами категорий («гарантийный случай», «вопрос по счёту», «технический сбой»). Ближайшая категория определяет маршрут: какому отделу или сотруднику назначить задачу. Не нужны жёсткие ключевые слова - работает на смысле.

Дедупликация лидов и контактов при импорте

При загрузке базы из внешней системы стандартный поиск по полям (телефон, email) пропускает дубли с опечатками или альтернативными форматами. Векторное сравнение по тексту карточки - имя, компания, должность, комментарий - позволяет поймать семантически идентичные записи до их попадания в CRM. Актуально при переносе истории сделок и контактов в Битрикс24.

---

Таблица сценариев: что строим и что нужно

Сценарий	Источник данных	Что сравниваем	Результат
Семантический поиск	База знаний, документы	Запрос vs. документы	Список релевантных статей
Похожие тикеты	История обращений	Новый тикет vs. архив	Топ-N похожих с решениями
RAG-ассистент	Регламенты, CRM	Вопрос vs. фрагменты	Ответ с цитатой источника
Авто-маршрутизация	Входящие обращения	Обращение vs. эталоны категорий	Тег / ответственный
Дедупликация	Импортируемая база	Новая карточка vs. CRM	Список кандидатов на слияние
Рекомендации	Каталог, кейсы	Профиль клиента vs. контент	Персонализированный список

---

Чек-лист: как собрать простой RAG на VibeCode

Ниже - минимальный путь от идеи до работающего прототипа. Платформа VibeCode и ИИ-агент (Cowork/Code, Claude Code или Codex) берут на себя написание кода - вам нужно чётко сформулировать задачу.

• Получить ключ со scope vibe:ai в кабинете VibeCode (vibecode.bitrix24.tech).
• Собрать корпус документов - выгрузить регламенты, статьи базы знаний, описания продуктов, историю переписки. Формат: массив текстовых строк или чанков (фрагментов).
• Разбить длинные документы на фрагменты (чанки) - обычно 300-800 токенов с небольшим перекрытием. Чем меньше фрагмент, тем точнее поиск; чем больше - тем полнее контекст для ответа.
• Получить эмбеддинги для каждого фрагмента через POST /v1/embeddings с моделью bitrix/embeddings. Можно отправлять массивом за один запрос.
• Сохранить векторы в хранилище (pgvector, Qdrant, Chroma или аналог) вместе с исходным текстом и метаданными (источник, дата, раздел).
• При запросе пользователя - получить эмбеддинг вопроса тем же способом, найти топ-N ближайших фрагментов по косинусному расстоянию.
• Передать найденные фрагменты в языковую модель (через POST /v1/ai/chat/completions, любая модель AI Router) с инструкцией «отвечай только на основе предоставленного контекста».
• Показать ответ пользователю с указанием источника (статья регламента, карточка CRM и т.д.).
• Задеплоить приложение на Black Hole-сервер командой агенту - он создаст сервер, развернёт приложение и вернёт ссылку.

Актуальные ограничения на длину input, число строк за запрос и квоты - в документации https://vibecode.bitrix24.tech/docs/ai/embeddings (данные на момент публикации могут быть скорректированы).

---

Данные не выходят за пределы РФ

Это принципиальный момент для компаний, работающих с персональными данными, коммерческой тайной или данными, регулируемыми 152-ФЗ.

Инфраструктура Битрикс24 VibeCode, включая модель bitrix/embeddings и серверы Black Hole, размещена в российском контуре. При использовании встроенных моделей платформы данные не отправляются на серверы OpenAI, Anthropic или Google - обработка происходит внутри периметра Битрикс24. Это отличает платформу от сценариев, где компании подключают внешние API напрямую.

Для коробочной версии Битрикс24 подключение к VibeCode находилось на финальном этапе внутреннего тестирования на момент подготовки материала - уточняйте актуальный статус в документации или у партнёра.

Если тема соответствия 152-ФЗ важна для вашего проекта, полезно также ознакомиться с материалом «Где ИИ Битрикс24 обрабатывает данные: приватность, 152-ФЗ и контроль».

---

RAG vs. стандартный ИИ-помощник: в чём разница

Важно не путать RAG-ассистента с обычным ИИ-помощником (BitrixGPT / CoPilot в Битрикс24 - это разные инструменты с разными задачами).

Характеристика	Стандартный ИИ-помощник	RAG-ассистент на bitrix/embeddings
Источник знаний	Обучающие данные модели	Ваши документы и данные CRM
Актуальность	Данные на момент обучения	Обновляется вместе с вашей базой
Галлюцинации	Возможны	Минимизированы (ответ по источнику)
Корпоративная специфика	Не знает вашу компанию	Знает ровно столько, сколько загружено
Требует разработки	Нет	Да (сборка на VibeCode)

Подробнее о встроенных ИИ-инструментах платформы - в статье «AI-помощники в Битрикс24: классификация лидов, авто-ответы и генерация писем».

---

С чего начать: практический старт

1. Зарегистрируйтесь на vibecode.bitrix24.tech и создайте API-ключ со scope vibe:ai.
2. Откройте документацию по эмбеддингам: https://vibecode.bitrix24.tech/docs/ai/embeddings.
3. Сформулируйте задачу для ИИ-агента (Cowork/Code или Claude Code): какие данные индексировать, какой вопрос должен уметь задавать пользователь.
4. Соберите прототип по чек-листу выше - первый рабочий RAG обычно укладывается в один-два вечера по опыту сборки приложений на платформе.
5. Задеплойте на Black Hole-сервер и проверьте на реальных запросах.

Команда АС Проект, Платиновый партнёр Битрикс24, помогает с проектированием архитектуры таких решений, выбором модели хранилища и интеграцией с существующими процессами в CRM - свяжитесь, если задача требует экспертизы на старте.