---
title: "Искали носки, получили брюки: сравнили шесть способов поиска на одном каталоге"
description: "Проверили полнотекстовый, векторный, гибридный, поиск по фото, геопоиск и AI на 82 524 товарах. Показываем, где они ошибаются, что находят и какой SQL стоит за результатами."
date: 2026-10-23
author: "Dmitrii Kuzmenkov"
image: https://manticoresearch.com/images/blog/search-playground.png
lang: ru
url: https://manticoresearch.com/ru/blog/search-playground/
translations:
  en: https://manticoresearch.com/blog/search-playground/
  zh: https://manticoresearch.com/zh/blog/search-playground/
---

# Искали носки, получили брюки: сравнили шесть способов поиска на одном каталоге

Проверили полнотекстовый, векторный, гибридный, поиск по фото, геопоиск и AI на 82 524 товарах. Показываем, где они ошибаются, что находят и какой SQL стоит за результатами.

> «Мир изменился. Я чувствую это в воде, чувствую в земле, ощущаю в воздухе».
>
> - Галадриэль, «Властелин колец: Братство кольца»

С поиском тоже многое изменилось. Долгое время, когда нужно было сделать поиск по каталогу, первым делом думали о словах: как их разобрать, как учесть опечатки и как отсортировать найденное. Эти вопросы никуда не делись. Просто теперь к полнотекстовому поиску добавились векторы, гибридный поиск, поиск по фотографиям и AI, который вместо списка товаров может сразу дать ответ.

Каждый подход звучит убедительно, пока не начинаешь проверять его на конкретных запросах. Вот, например, человек ищет `merino wool socks` - носки из мериносовой шерсти. Векторный поиск понимает, что речь о мериносовой шерсти, и предлагает брюки, куртку, ещё одни брюки и футболку. Носки появляются только на пятом месте.

Так какой поиск лучше? Мы решили не спорить на словах, а дать разным способам поиска **один и тот же каталог** и посмотреть, что получится.

Для этого собрали [Manticore Search Playground](https://playground.manticoresearch.com/). В нём семь вкладок: можно искать по словам, по смыслу, по фотографии, по координатам, сравнивать выдачи и задавать вопросы AI. Причём под каждой выдачей виден SQL, который её получил, и аналогичный запрос к HTTP JSON API.

[![Manticore Search Playground](./search-playground/playground.png)](https://playground.manticoresearch.com/)

Получилось не просто демо с красивыми карточками, а [небольшое приложение с открытым кодом](https://github.com/manticoresoftware/demo-search-playground). Его можно запустить локально через Docker Compose и посмотреть, как всё сделано. Полнотекстовый, векторный, гибридный поиск и геопоиск используют одну таблицу товаров. Для фотографий мы добавили отдельную таблицу и сервис векторизации, а для AI - `CALL CHAT` (SQL-команда Manticore)

Ниже покажем конкретные запросы, неожиданные результаты и SQL, который за ними стоит. Все числа по количеству результатов в выдаче и времени работы - за сентябрь 2026 года. После обновления каталога, моделей или самого приложения они могут измениться.

## Что именно мы сравниваем

Мы взяли 82 524 товара из ConvApparel - датасета от Google по подбору одежды. В рекомендациях из этих диалогов есть названия, описания, характеристики и фотографии товаров.

На этих данных работают семь вкладок: **Full-text, Vector, Hybrid, Image, Geo, Compare и Ask AI**. Для каждого запроса Playground показывает запрос и в виде SQL и виде команды `curl`: их можно выполнить на своей мантикоре.

> Почему это важно? Потому что сравнение поисковиков часто сводится к двум разным демо с разными данными. Здесь каталог один. Меняется только способ поиска, и разницу видно сразу.

Для большинства режимов нам хватило одной таблицы:

```sql
CREATE TABLE convapparel_products (
    id bigint,
    item_id text,
    title text,
    description text,
    features text,
    image_url text,
    category string indexed attribute,
    source text,
    categories json,
    lat float,
    lon float,
    embedding_vector float_vector knn_type='hnsw' hnsw_similarity='COSINE'
        model_name='onnx-models/all-MiniLM-L12-v2-onnx' from='title,description,features'
) min_infix_len='2'
```

Что тут важно и что стоит иметь в виду, если вы сами делаете что-то с Manticore:

- `min_infix_len='2'` позволяет искать части слов длиной от двух символов - это пригодится для подсказок и автодополнения
- `model_name` вместе с `from='title,description,features'` включает [автоматическую векторизацию](https://manual.manticoresearch.com/Searching/KNN#Creating-a-table-with-auto-embeddings). Добавляете товар - Manticore рассчитывает вектор по его текстовым полям. Ищете по смыслу - запрос преобразуется в вектор той же моделью. Для этого не нужно поднимать ещё один сервис.

С фотографиями будет иначе, но до них доберёмся попозже.

## 1. Полнотекстовый поиск: две опечатки - и поиск ничего не находит

Начнём с обычного полнотекстового поиска. Допустим, покупатель хотел написать *leather jacket*, но ввёл [**lether jaket**](https://playground.manticoresearch.com/?mode=fulltext&q=lether+jaket). Две опечатки в двух словах - ничего необычного для интернет-магазина.

Если отключить **Typo tolerance**, Playground вернёт ноль товаров.

![Поиск без учёта опечаток на запрос lether jaket](./search-playground/computer-says-no.jpg)

Включаем исправление опечаток - и получаем **1 027 товаров**. В начале списка, как и ожидалось, кожаные куртки.

![Полнотекстовый поиск по lether jaket показывает результаты для leather jacket, количество товаров по категориям, SQL и команду curl](./search-playground/fulltext-typo.png)

Вот запрос, который выполняется при включённой опции:

```sql
SELECT id, title, description, features, category, image_url, weight() AS text_score
FROM convapparel_products
WHERE MATCH('lether jaket')
LIMIT 12
OPTION fuzzy=1
FACET categories ORDER BY COUNT(*) DESC
```

Что тут происходит? `MATCH()` ищет по текстовым полям. `weight()` показывает оценку релевантности. По умолчанию используется `proximity_bm25`: на результат влияют и BM25, и расстояние между словами.

Но главное в этом примере - [`OPTION fuzzy=1`](https://manual.manticoresearch.com/Searching/Spell_correction#Fuzzy-Search). Эта опция позволяет находить слова с похожим написанием. Убрали её - получили ноль. Вернули - получили кожаные куртки.

**Есть два нюанса по user experience, о которых стоит помнить, когда добавляешь такой поиск в приложение.**

- **Покажите пользователю, что запрос был исправлен.** Playground вызывает [`CALL QSUGGEST`](https://manual.manticoresearch.com/Searching/Spell_correction) и пишет *Showing results for leather jacket*. Если поисковик однажды неправильно угадает слово, пользователь хотя бы поймёт, откуда взялась странная выдача.
- **В режиме исправления опечаток не предлагайте пользователям использовать весь синтаксис полнотекста Manticore.** Люди вводят обычные фразы, а не специально составленные выражения для `MATCH()`. В режиме поиска с опечатками символы операторов экранируются (кроме кавычек для фразового поиска).

### Нашлось 1 027 товаров, а по категориям - 1 127. Как так?

В конце того же SQL есть `FACET categories`. Он возвращает не только товары, но и [разбивку результатов по категориям](https://manual.manticoresearch.com/Searching/Faceted_search). Для нашего запроса получается:

**Outerwear - 960, Footwear - 58, Tops - 55, Bottoms - 54.**

Складываем. Получается **1 127**, хотя всего найдено **1 027**.

![Когда сумма результатов по категориям больше общего числа найденных товаров](./search-playground/math.jpg)

Нет, это не ошибка в арифметике. Один товар может относиться к нескольким категориям, поэтому при подсчёте по категориям он встречается несколько раз, а в общем числе товаров - один.

Это считается так:

1. Храним категории в JSON-массиве. У одного товара, например, могут быть сразу `["outerwear", "tops"]`.
2. Для фильтрации используем `categories IN ('outerwear', 'tops')`: товар подходит, если у него есть хотя бы одна из выбранных категорий.
3. Общее количество товаров получаем отдельным `COUNT(*)`, чтобы не складывать значения фасетов и не считать один товар несколько раз.

### Почему автодополнение не должно предлагать `print` на запрос `int`

Есть ещё одна привычная вещь, которая часто раздражает, если её неправильно настроить: подсказки в поисковой строке.

Откройте вкладку [Full-text](https://playground.manticoresearch.com/?mode=fulltext), выключите **Search as you type** (иначе выдача перекроет подсказки) и наберите `linen sh`. Ещё до того, как вы закончите слово, появятся *linen shirt*, *linen shoes* и *linen shorts*.

![Подсказки автодополнения для linen sh](./search-playground/autocomplete.png)

За это отвечает всего один запрос:

```sql
CALL AUTOCOMPLETE('linen sh', 'convapparel_products', 0 AS fuzziness, 1 AS append, 0 AS prepend)
```

Но сами параметры мы выбрали не случайно.

- **Передаём весь введённый текст.** Для `linen sh` Manticore сохраняет `linen` и дополняет только последнее слово — `sh`. Каждая строка ответа уже готовая подсказка.
- **Не ищем совпадения посреди слова.** При `0 AS prepend` к запросу слева не добавляется `*`. Иначе на `int` система может предложить `print`: технически совпадение есть, но человеку, который начал вводить слово, оно вряд ли нужно.
- **Не исправляем опечатки прямо в подсказках.** Параметр `0 AS fuzziness` означает, что система продолжает именно введённое слово. Исправление опечаток происходит уже при поиске, и там пользователь видит, что изменилось.

Все настройки [CALL AUTOCOMPLETE](https://manual.manticoresearch.com/Searching/Autocomplete) есть в документации.

## 2. Векторный поиск понимает запрос, даже если вы не знаете название товара

Теперь другая задача и другой тип поиска. Человек пишет не название вещи, а то, зачем она ему нужна: [**outfit for a job interview**](https://playground.manticoresearch.com/?mode=vector&q=outfit+for+a+job+interview). То есть хочет подобрать одежду для собеседования.

Полнотекстовому поиску здесь непросто: он в общем случае соединяет слова через AND (можно и иначе конечно, но по дефолту так), и товаров, в которых одновременно встречаются *outfit*, *job* и *interview*, нет. Получаем **ноль результатов**.

А на вкладке **Vector** появляются деловые костюмы и комплекты с пиджаками. Хотя пользователь не писал ни *business suit*, ни *blazer*.

```sql
SELECT id, title, description, features, category, image_url, knn_dist() AS distance
FROM convapparel_products
WHERE knn(embedding_vector, 100, 'outfit for a job interview')
LIMIT 12
```

Заметьте, что в этом SQL нет готового вектора - передаётся обычный текст. Manticore преобразует его в вектор той же моделью, которой обработаны товары, и через [индекс HNSW](https://manual.manticoresearch.com/Searching/KNN) ищет ближайшие. Модель связывает слова из запроса с описаниями вроде *business suit*, *office* и *blazer*.

Иногда это помогает даже с опечатками. Например, [**warm waterprof jacket**](https://playground.manticoresearch.com/?mode=vector&q=warm+waterprof+jacket) возвращает водонепроницаемые куртки, хотя никакого специального исправления опечаток здесь не включали.

Казалось бы, отлично. Но вернёмся к носкам из начала статьи.

По запросу [**merino wool socks**](https://playground.manticoresearch.com/?mode=vector&q=merino+wool+socks) первые четыре результата - брюки из мериносовой шерсти, куртка, ещё одни брюки и футболка. Носки только пятые.

Векторный поиск уловил *merino wool*, но слову *socks* не придал достаточного значения. Точно так же он может слишком свободно отнестись к цвету, размеру или конкретному типу товара. Смысл похожий, а товар всё-таки не тот.

## 3. Гибридный поиск: если можно искать и по словам, и по смыслу, зачем выбирать?

После примера с носками возникает закономерный вопрос: почему не объединить оба подхода?

![Почему бы не совместить полнотекстовый и векторный поиск](./search-playground/why-not-both.jpg)

Именно это делает гибридный поиск. Откройте [**merino wool socks** во вкладке Hybrid](https://playground.manticoresearch.com/?mode=hybrid&q=merino+wool+socks). Теперь носки на первом месте, а дальше - другие товары из мериносовой шерсти.

SQL выглядит так:

```sql
SELECT id, title, description, features, category, image_url,
    weight() AS text_score, knn_dist() AS distance
FROM convapparel_products
WHERE MATCH('merino wool socks')
  AND knn(embedding_vector, 100, 'merino wool socks')
LIMIT 12
OPTION fuzzy=1, fusion_method='rrf'
```

Manticore выполняет полнотекстовый и векторный поиск, а затем объединяет их результаты через [Reciprocal Rank Fusion (RRF)](https://manual.manticoresearch.com/Searching/Hybrid_search). Проще говоря, учитывает место товара в обоих списках. Если он стоит высоко и там, и там, это помогает ему подняться в общей выдаче.

В интерфейсе это видно по меткам **Words**, **Meaning** и **Words + meaning**. Они показывают, какой из способов нашёл конкретный товар.

Для случая, когда обе части используют один и тот же текст, есть и короткая запись - [`hybrid_match()`](https://manual.manticoresearch.com/Searching/Hybrid_search#Simplified-syntax-hybrid_match). Она сама запускает полнотекстовый поиск, преобразует запрос в вектор, выполняет KNN и объединяет выдачи через RRF.

Ещё один пример — [**bicycle shoes**](https://playground.manticoresearch.com/?mode=hybrid&q=bicycle+shoes). Велотуфли MTB и *Unisex Bike Shoes* находятся и по словам, и по смыслу. Векторный поиск добавляет *Cycling Shoes*, в которых вообще не встречается слово `bicycle`. Но есть и неожиданный результат: на первом месте оказываются классические оксфорды Paul Parkman, не имеющие отношения к велоспорту. Просто у них носок типа *bicycle toe*. Из-за этого совпадения они возглавляют полнотекстовую выдачу, а поскольку векторный поиск тоже их находит, гибридный ставит их первыми.

А для [**warm waterprof jacket**](https://playground.manticoresearch.com/?mode=hybrid&q=warm+waterprof+jacket) полнотекстовая часть исправляет опечатку, пока векторная помогает подобрать тёплые водонепроницаемые куртки. Оба способа полезны, просто по-разному.

## Сравнили три выдачи рядом - разница стала очевиднее

Чтобы не переключаться туда-сюда, мы сделали вкладку **Compare**. Она запускает запрос сразу тремя способами - Full-text, Vector и Hybrid - и показывает результаты в соседних колонках.

Если один товар встретился в нескольких выдачах, Playground это отмечает. Навели курсор на карточку - подсветились все её появления. Иногда полнотекстовый и векторный поиск действительно находят одно и то же:

![Полнотекстовый и векторный поиск узнают один и тот же товар](./search-playground/spider-men.jpg)

Но интереснее случаи, когда они расходятся.

Запрос [**outfit for a job interview**](https://playground.manticoresearch.com/?mode=compare&q=outfit+for+a+job+interview): слева у полнотекстового поиска пусто, а векторный и гибридный предлагают костюмы и комплекты с пиджаками.

![Сравнение запроса outfit for a job interview: полнотекстовый поиск ничего не находит, а векторный и гибридный возвращают костюмы](./search-playground/compare-interview.png)

Запрос [**merino wool socks**](https://playground.manticoresearch.com/?mode=compare&q=merino+wool+socks): полнотекстовый находит носки, векторный увлекается брюками и куртками, а гибридный ставит носки первыми.

![Сравнение запроса merino wool socks: полнотекстовый поиск находит только носки, векторный ставит брюки из мериносовой шерсти выше, а гибридный выводит носки на первое место](./search-playground/compare-merino.png)

Для такого сравнения лучше всего брать не придуманные нами фразы, а запросы, которые вводят ваши пользователи. Если хотите просто посмотреть, как это работает, начните с [bicycle shoes](https://playground.manticoresearch.com/?mode=compare&q=bicycle+shoes), [lether jaket](https://playground.manticoresearch.com/?mode=compare&q=lether+jaket) или [steel toe boots](https://playground.manticoresearch.com/?mode=compare&q=steel+toe+boots).

## Похожие товары: можно обойтись даже без текста запроса

Допустим, посетитель уже открыл кожаную куртку и хочет посмотреть что-то похожее. Ему не нужно снова вводить слова в поисковую строку.

В карточках Playground для этого есть два блока: **Similar by description** и **Similar by photo**.

![Кожаная куртка и восемь наиболее похожих по описанию товаров](./search-playground/similar.png)

Для поиска похожих товаров по описанию выполняется такой SQL:

```sql
SELECT id, title, description, features, category, image_url, knn_dist() AS distance
FROM convapparel_products
WHERE knn(embedding_vector, 8, 2388085963546244483)
LIMIT 8
```

Здесь число в `knn()` - это [id товара](https://manual.manticoresearch.com/Searching/KNN#Find-similar-docs-by-id), а не сам вектор. Manticore находит сохранённый вектор товара и ищет по нему ближайшие. Приложению не нужно сначала вытаскивать вектор из базы, а потом отправлять его обратно.

Для похожих фотографий принцип тот же. Только векторы изображений лежат в отдельной таблице.

## 4. Поиск по фотографиям

Пробовали описать в магазинной карточке конкретную клетчатую рубашку? Название и характеристики конечно несут какую-то информацю о ткани и размере, но не всегда помогут представить рисунок и оттенок. Здесь полезнее смотреть на сами фотографии.

На вкладке **Image** можно ввести [**red plaid flannel shirt**](https://playground.manticoresearch.com/?mode=image&q=red+plaid+flannel+shirt) - или вообще загрузить, перетащить либо вставить картинку, по которой хочется найти похожую вещь.

![Поиск по изображениям для red plaid flannel shirt возвращает красные клетчатые рубашки по их фотографиям](./search-playground/image-text.png)

В демо, используя специализированную модель, мы преобразуем и текст, и фотографии в сопоставимые векторы. Поэтому описание красной клетчатой рубашки и её изображение оказываются рядом в многомерном пространстве при векторном поиске.

![Многомерное пространство](./search-playground/is.webp)

В отличие от текстового векторного поиска, для изображений используется отдельный сервис векторизации. Сначала он рассчитывает вектор запроса - в публичном Playground это обычно занимает **50–250 мс**, и время показывается как *turned into a vector in … ms*. Затем Manticore ищет ближайшие векторы фотографий и получает из основной таблицы соответствующие товары.

```sql
SELECT id, knn_dist() AS distance
FROM convapparel_product_images
WHERE knn(image_vector, 100, (-0.0021, -0.01, 0.0782, …))
LIMIT 100;

SELECT id, title, description, features, category, image_url
FROM convapparel_products
WHERE id IN (3698494869106650404, 3557146672156430291, 1902002584948931003, …)
LIMIT 100
```

Здесь мы сократили SQL для наглядности: в настоящем запросе передаются все **512 чисел вектора** и **100 айдишек товаров**.

В реализации есть два решения, которые могут пригодиться и в вашем приложении:

- **Поиск по изображениям не зависит от основного каталога**. Для текста мы в данном случае использовали MiniLM, а для фотографий - модель Fashion CLIP. Векторы изображений храним в отдельной таблице, поэтому можем заменить модель или пересчитать все векторы фотографий, не затрагивая товары и их текстовый поиск.
- **Не индексируем одинаковые картинки-заглушки.** Если вы вдруг сами кравлите, то понимаете, что стандартная заглушка *No image available* ничего не говорит о товаре, даже если встречается тысячу раз. Заглушки лучше вообще не индексировать. Поэтому в нашем демо из 82524 товаров векторов изображений нет ну 0.3%.

## 5. Геопоиск: товары на карте

С координатами была одна проблемка: в исходном ConvApparel их нет. Чтобы показать геопоиск, мы присвоили товарам случайные координаты в районе Нью-Йорка просто, чтобы показать сам механизм работы геопоиска.

Во вкладке [**Geo**](https://playground.manticoresearch.com/?mode=geo) можно перетащить точку по карте, изменить радиус и тут же увидеть, каким стал SQL.

```sql
SELECT id, title, description, features, category, image_url, lat, lon,
    GEODIST(40.712800, -74.006000, lat, lon, {in=degrees, out=km}) AS distance_km
FROM convapparel_products
WHERE distance_km <= 10
ORDER BY id ASC
LIMIT 100
```

[`GEODIST()`](https://manual.manticoresearch.com/Searching/Geo_search) считает расстояние. Его результат, если нужно, можно вывести в `SELECT`, использовать в фильтре или сортировке.

В нашем демо точки сортируются по `id`, чтобы они распределялись по всей выбранной области. Для реальной задачи типа "покажи ближайшие магазины" логичнее `ORDER BY distance_km ASC`: тогда первыми окажутся ближайшие объекты.

## 6. AI-поиск: умный совет дороже золота

А если покупатель вообще не хочет разбираться в фильтрах и списках? Допустим, он спрашивает: [**What should I wear to a summer wedding on the beach?**](https://playground.manticoresearch.com/?mode=chat&q=What+should+I+wear+to+a+summer+wedding+on+the+beach%3F) - что надеть на летнюю свадьбу на пляже?

На вкладке **Ask AI** можно задать этот вопрос и получить ответ, основанный на товарах из каталога.

![Ask AI отвечает на вопрос об одежде для летней свадьбы на пляже и связывает утверждения с конкретными товарами](./search-playground/ask-ai.png)

В Manticore для этого есть `CALL CHAT`:

```sql
CALL CHAT('What should I wear to a summer wedding on the beach?',
    'convapparel_products', 'shopping_assistant', '', 'embedding_vector')
```

[`CALL CHAT`](https://manual.manticoresearch.com/Searching/Conversational_search) работает с таблицей товаров и векторным индексом. Для ответа система может сначала найти подходящие товары и передать языковой модели сведения о них. В нашем случае это поля `title`, `description` и `features`. Playground добавляет к ответу ссылки на найденные карточки.

Диалог можно продолжить. Например, сначала спросить *I need warm boots for walking the dog in snow*, а следом - *Which of those are waterproof?* Контекст предыдущего вопроса сохраняется, и не приходится заново объяснять, о каких ботинках речь.

Что стоит учесть:

- **Показывайте товары, на которые ссылается AI.** Если он уверенно советует «дышащее платье», пусть человек сможет открыть карточку и проверить, действительно ли это написано в описании.
- **Не ждите, что языковая модель исправит все ошибки поиска.** Сначала подходящие товары должны попасть в контекст. Если нужная вещь не нашлась на этом этапе, AI не сможет надёжно учесть её в рекомендации. Соответственно влияет и качество модели и настройки полнотекстового поиска.

И ещё скорость. В публичном Playground ответ AI обычно занимает **5–15 секунд**. Это тоже зависит много от чего, но в первую очередь от LLM-модели и провайдера LLM (или вашего железа, если вы запускаете всё локально, что тоже вполне возможно с Manticore). О настройке чата и оценке качества поиска подробнее писали в [отдельной статье](/blog/conversational-search/).

## А если мне нужен не SQL, а HTTP API?

Manticore говорит на двух языках: SQL и JSON. Про SQL было приведено много примеров выше, для любителей JSON через HTTP в демо помимо SQL те же примеры приведены в виде команды `curl`. Она обращается к [HTTP JSON API](https://manual.manticoresearch.com/Searching/Full_text_matching/Basic_usage#HTTP-JSON) и выполняет тот же поиск, что показан в SQL.

Например, для запроса с опечатками команда выглядит так:

```bash
curl -X POST localhost:9308/search \
  -H 'Content-Type: application/json' \
  -d '{
  "table": "convapparel_products",
  "query": {"query_string": "lether jaket"},
  "options": {"fuzzy": true},
  "limit": 12,
  "_source": ["title", "description", "features", "category", "image_url"],
  "aggs": {"categories": {"terms": {"field": "categories"}, "sort": [{"count(*)": {"order": "desc"}}]}}
}'
```

Если нужная таблица уже загружена в Manticore, команда вернёт те же товары и разбивку по категориям.

Кстати, возвращаясь к теме того, что по умолчанию полнотекст объединяет все слова, которой коснулись выше: здесь есть неочевидная разница между двумя вариантами JSON-запроса. `query_string`, как и SQL `MATCH()`, по умолчанию соединяет слова через **AND**. А JSON-запрос `match` - через **OR**. Если переписываете запрос из одного формата в другой, об этом лучше помнить.

## Всё можете запустить у себя локально

[Playground открыт на GitHub](https://github.com/manticoresoftware/demo-search-playground). Чтобы запустить его локально, достаточно Docker Compose:

```bash
git clone https://github.com/manticoresoftware/demo-search-playground
cd demo-search-playground
cp .env.example .env
./scripts/init_manticore.sh
docker compose up --build app embed
```

После запуска откройте [http://127.0.0.1:8000](http://127.0.0.1:8000)

В репозитории уже лежат рассчитанные векторы товаров, поэтому заново считать их при установке не нужно. Если хотите попробовать **Ask AI**, заранее добавьте ключ OpenRouter в `OPENROUTER_API_KEY` файла `.env`. Для остальных вкладок ключ не требуется.

При первом запуске сервис изображений скачивает модель **Fashion CLIP размером около 600 МБ**. Пока она загружается, другие режимы уже работают. А если захотите выполнить любой SQL со страницы вручную, используйте `docker compose exec manticore mysql`.

## Что попробовать в Playground - короткая шпаргалка

| Возможность | В Manticore | Попробовать |
|---|---|---|
| Полнотекстовый поиск с сортировкой по релевантности | `MATCH()`, `weight()` | [levis 501](https://playground.manticoresearch.com/?mode=fulltext&q=levis+501) |
| Устойчивость к опечаткам | `OPTION fuzzy=1`, `CALL QSUGGEST` | [lether jaket](https://playground.manticoresearch.com/?mode=fulltext&q=lether+jaket) |
| Группировка по категориям | `FACET` | [lether jaket](https://playground.manticoresearch.com/?mode=fulltext&q=lether+jaket) |
| Автодополнение | `CALL AUTOCOMPLETE` | На вкладке Full-text введите `linen sh` |
| Векторный поиск с автоматической векторизацией | `knn()` с текстовым запросом | [outfit for a job interview](https://playground.manticoresearch.com/?mode=vector&q=outfit+for+a+job+interview) |
| Гибридный поиск | `MATCH()` + `knn()`, `fusion_method='rrf'` | [merino wool socks](https://playground.manticoresearch.com/?mode=hybrid&q=merino+wool+socks) |
| Похожие товары | `knn()` с id документа | Откройте любой товар |
| Поиск по изображениям | `knn()` по векторам фотографий | [red plaid flannel shirt](https://playground.manticoresearch.com/?mode=image&q=red+plaid+flannel+shirt) или загрузите фото |
| Геопоиск | `GEODIST()` | [вкладка Geo](https://playground.manticoresearch.com/?mode=geo) |
| AI-поиск | `CALL CHAT` | [summer wedding on the beach](https://playground.manticoresearch.com/?mode=chat&q=What+should+I+wear+to+a+summer+wedding+on+the+beach%3F) |
| JSON API | эндпоинт `/search` | Команда `curl` под любым результатом |

Публичный Playground работает на небольшом сервере. Большинство запросов, кроме AI-чата, выполняется примерно за **5–100 мс**.

На этих примерах видно, почему нет смысла выбирать один способ поиска на все случаи. Полнотекстовый хорош, когда важны сами слова; векторный помогает, когда пользователь описывает задачу; гибридный сочетает оба подхода. Для фотографий и координат нужны свои способы поиска, а AI пригодится, когда вместо списка товаров хочется получить готовый ответ.

Но это не значит, что наши примеры исчерпывают все возможные ошибки. Наверняка существует запрос, с которым **не справятся ни полнотекстовый, ни векторный, ни гибридный поиск**.

**Сможете такой придумать?**

![Challenge accepted: найдите запрос, с которым не справятся все три подхода к поиску](./search-playground/challenge-accepted.jpg)

[Откройте Playground](https://playground.manticoresearch.com/) и попробуйте. Если найдёте особенно неудачный запрос, [создайте issue в GitHub](https://github.com/manticoresoftware/demo-search-playground/issues) или напишите нам в [Slack](https://slack.manticoresearch.com/). А если хотите собрать похожий поиск в своём приложении, [код Playground](https://github.com/manticoresoftware/demo-search-playground) можно взять за основу.