RAG-индексы конфигурации 1С: считать эмбеддинги на CPU или на GPU
Файлы
ВНИМАНИЕ: Файлы из Базы знаний - это исходный код разработки. Это примеры решения задач, шаблоны, заготовки, "строительные материалы" для учетной системы. Файлы ориентированы на специалистов 1С, которые могут разобраться в коде и оптимизировать программу для запуска в базе данных. Гарантии работоспособности нет. Возврата нет. Технической поддержки нет.
Подписка PRO — скачивайте любые файлы со скидкой до 85% из Базы знаний
Оформите подписку на компанию для решения рабочих задач
Оформить подписку и скачать решение со скидкойВы можете заказать платную доработку или адаптацию этой разработки под вашу конфигурацию на «Бирже заказов».
- 0% комиссии — оплата напрямую исполнителю;
- Исполнители любого масштаба — от отдельных специалистов до команд под проект;
- Прямой обмен контактами между заказчиком и исполнителем;
- Безопасная сделка — при необходимости;
- Рейтинги, кейсы и прозрачная система откликов.
Для кого: программисты и архитекторы 1С, которые проектируют семантический поиск по данным конфигурации и выбирают, где считать векторы.
Для 1С-архитекторов: где считать векторы для семантического поиска по справочникам и почему на индексации записей через модель эмбеддингов выигрывает видеокарта.
- Индекс строится один раз; основная работа - прогон записей через модель эмбеддингов, внутри которой идёт умножение матриц.
- У RTX 3060 3584 ядра CUDA, 12 ГБ GDDR6 и 360 ГБ/с; выигрывают число потоков и пропускная способность памяти.
- Индексацию вынесите на отдельную машину: из 1С выгружается файл «идентификатор;текст», векторы возвращаются в регистр сведений.
- 768 чисел по 4 байта дают около 3 КБ на запись; 500 000 позиций занимают примерно 1,5 ГБ под векторы.
- Числа для 26 035 записей - условный пример; замеряйте время на своих данных.
Индексацию можно вынести из контура 1С на видеокарту, а время и качество поиска нужно замерить на своих данных.
Полнотекстовый поиск в 1С ищет по словам: пользователь вводит «молоток» и находит записи со словом «молоток». Запрос «инструмент ударный ручной» по такому индексу не найдёт ничего, хотя нужная позиция номенклатуры в базе есть. Семантический поиск работает иначе: текст превращается в вектор, векторы сравниваются по близости, и совпадение слов перестаёт быть обязательным.
Этап, который отличает семантический поиск от полнотекстового, - построение индекса: каждую запись справочника нужно прогнать через модель эмбеддингов и сохранить вектор. Операция тяжёлая, и её удобно выносить из контура 1С. Дальше разберу, что именно в ней нагружает процессор и почему видеокарта на этой задаче обгоняет серверный CPU.
📦 Что даёт индекс конфигурации
Вектор - числовое представление смысла текста, обычно массив из нескольких сотен чисел с плавающей точкой. На практике для данных 1С из этого получаются такие задачи:
- поиск по справочнику номенклатуры, когда формулировка пользователя не совпадает с наименованием;
- сопоставление входящего документа с записями базы: накладная поставщика и позиция справочника описывают одно и то же разными словами;
- подсказки при вводе, где нужно угадать позицию по неполному описанию;
- поиск ответа в документации конфигурации: вопрос пользователя и раздел описания.
Общее у них одно: данные нужно один раз векторизовать, а потом многократно искать по готовым векторам. Тяжёлая часть - первая.
🧮 Что происходит при индексации одной записи
Модель эмбеддингов - нейросеть-трансформер. Текст проходит через неё и превращается в вектор фиксированной длины: у распространённых многоязычных моделей это 384, 768 или 1024 числа. Внутри почти вся работа - умножение матриц: матрица весов слоя умножается на вектор активаций, и так на каждом слое. Для одной короткой записи это десятки миллионов операций с плавающей точкой, для справочника в десятки тысяч записей - уже счёт, который измеряется часами.
Записи обрабатывают батчами: модель получает пачку строк и считает её за один проход. Размер батча ограничен объёмом памяти ускорителя, поэтому на CPU он упирается в оперативную память и количество ядер, а на видеокарте - в объём видеопамяти.
📈 Почему на матричных операциях выигрывает видеокарта
Процессор и видеокарта по-разному устроены, и разница проявляется именно на умножении матриц.
- Ядер много и они простые. У GeForce RTX 3060 3584 ядра CUDA, у серверного двухсокетного процессора - десятки ядер. Ядро CPU мощнее и умеет предсказывать ветвления и работать с большим кэшем, но на однотипных арифметических операциях это преимущество не даёт ничего.
- Одна инструкция на много данных. Ядра видеокарты работают группами и выполняют одну и ту же операцию над разными элементами матрицы. Для умножения матриц такая схема подходит идеально, для ветвящейся логики - плохо.
- Своя быстрая память. Веса модели лежат в видеопамяти, у RTX 3060 это 12 ГБ GDDR6 с пропускной способностью 360 ГБ/с, и они читаются без обращения к системной шине. Процессор читает те же веса из оперативной памяти, и когда десятки ядер обращаются к ней одновременно, часть времени уходит на ожидание памяти.
Отсюда практический вывод, который важнее конкретных цифр: узкое место индексации - пропускная способность памяти и число одновременных потоков вычислений, мощность отдельного ядра тут почти не помогает. Видеокарта выигрывает на этой задаче именно за счёт второго и третьего пунктов.
🧪 Условный пример: 26 035 записей
Числа ниже помечены как условный пример: на своём стенде я индексацию не проводила и время не замеряла. Они показывают только порядок величин, который получится, если модель на 768 измерений прогоняется батчами по справочнику из 26 035 записей.
| Параметр | Серверный CPU | Домашняя видеокарта |
|---|---|---|
| Вычислитель | двухсокетный сервер, 56 ядер, ONNX Runtime | RTX 3060, 3584 ядра CUDA, ONNX Runtime с CUDA |
| Время индексации 26 035 записей | часы | минуты |
| Батч | десятки записей | сотни записей |
| Потребление | сотни ватт | 170 Вт (паспортное значение RTX 3060) |
Что здесь подтверждается документацией, а что нет: число ядер CUDA и паспортная мощность RTX 3060 - из спецификации производителя. Разница во времени - иллюстрация, её нужно измерять на своей модели, своём тексте и своём железе: результат зависит от длины описаний, размера батча, версии ONNX Runtime и того, сколько ядер реально получит процесс.
🧱 Что из этого следует для контура 1С
Индексацию и поиск стоит разделить.
- Выгрузка. Текстовые поля справочника выгружаются в файл: идентификатор записи и текст для векторизации.
- Индексация вне 1С. Отдельная программа читает файл, считает векторы и сохраняет пары «идентификатор - вектор». Здесь и нужен GPU: на домашней машине разработчика или на отдельном сервере.
- Загрузка индекса. Векторы возвращаются в контур: регистр сведений, внешняя база с расширением для векторного поиска или файл, который читается при старте.
- Поиск. Текст запроса векторизуется одним коротким вызовом, дальше считается близость к векторам индекса. Это лёгкая операция, видеокарта для неё не нужна.
Такое разделение даёт ещё одно преимущество: индексация не отбирает ядра у рабочей базы. Запускать её на сервере 1С в рабочее время не стоит: пользователи заметят это по отзывчивости системы раньше, чем закончится первый батч.
💻 Выгрузка справочника: минимальный фрагмент
Всё, что нужно от 1С на первом этапе, - плоский файл с текстом. Читать список номенклатуры можно обычным обходом выборки:
К реквизитам, которые попадут в текст, добавьте всё, по чему пользователи ищут: артикул, описание, категорию. Наименование в типовых конфигурациях часто короткое («Молоток слесарный»), и без описания модель не отличит его от соседней позиции.
Обратно векторы чаще всего кладут в регистр сведений: измерение - ссылка на элемент справочника, ресурс - строка или значение типа ХранилищеЗначения с вектором. Регистр переживает перезагрузку, репликацию и обновление конфигурации, а поиск идёт по нему запросом или чтением менеджера.
Код не прогнан на платформе: в облаке 1С нет. Проверьте выгрузку на копии своей базы.
🚧 Границы: память, драйверы, модель
- Видеопамять. 768 чисел по 4 байта - это около 3 КБ на запись; справочник на 500 000 позиций даёт примерно 1,5 ГБ только под векторы, плюс веса модели. RTX 3060 с 12 ГБ такой объём держит, но если считаете сразу всё в память, следите за её остатком: при нехватке драйвер начинает выгружать данные и скорость падает.
- Модель. Русский язык и учётная лексика - отдельный риск: коды ТН ВЭД, артикулы и сокращения универсальная модель может не различить. Подбор модели на своих данных занимает день, и его стоит потратить до того, как индекс будет собран.
- Драйверы. Вариант с CUDA требует драйвера NVIDIA, а на серверном железе с этим обычно работают не разработчики. Вынесение индексации на рабочую станцию снимает вопрос доступа к серверу.
- Альтернатива видеокарте. Аренда GPU-инстанса в облаке выгодна, если индексация нужна редко. Встроенная графика и CPU-инференс с квантованием модели подходят для инкрементального режима, когда за раз пересчитываются десятки записей.
- Стоимость данных. Векторы и тексты выгружаются за пределы базы, поэтому для справочника с персональными данными сначала решите, что именно вы выгружаете.
📚 Источники
- Спецификация GeForce RTX 3060 на сайте производителя: 3584 ядра CUDA, 12 ГБ GDDR6, 192-битная шина, пропускная способность 360 ГБ/с, паспортная мощность 170 Вт - сверено 01.10.2026.
- Документация ONNX Runtime: исполнение на CPU и на GPU через CUDA Execution Provider.
- Спецификации процессоров Intel Xeon Scalable (Cascade Lake): поддержка AVX-512 в серверных моделях этого поколения.
- Документация 1С:Предприятия: полнотекстовый поиск и управление его индексом, объект
ЗаписьТекста, типХранилищеЗначения. - Карточки многоязычных моделей эмбеддингов на Hugging Face: размерности 384, 768 и 1024.
📦 Файл к статье
К публикации приложен архив 03.2-companion.zip, он в блоке «Файлы» вверху страницы:
vygruzka-dlya-rag.bsl- процедура выгрузки наименований справочника «Номенклатура» в текстовый файл (одна запись в строке: идентификатор и наименование). Этот файл - вход для расчёта эмбеддингов на CPU или GPU, о котором статья.proverka/- проверка на платформе:check_export.pyсоздаёт файловую базу со справочником, проверяет модуль (/CheckModules) и вызывает выгрузку черезV83.COMConnector(call_export.ps1, 32-битный PowerShell);protokol.txt- результат.README.md: что внутри, как пользоваться и что проверено.
🏁 Итог
Индекс для семантического поиска по конфигурации строится один раз и служит долго, а тяжёлая часть работы - прогон всех записей через модель эмбеддингов. На этой операции видеокарта обгоняет серверный процессор за счёт тысяч простых ядер, группового выполнения одинаковых операций и быстрой видеопамяти. «Большая мощность» отдельных ядер в этом счёте не участвует. Границы у выигрыша простые: объём видеопамяти, качество модели на русском тексте и доступ к драйверам.
Начните с выгрузки одного справочника и прогона на том, что есть под рукой, - и замерьте время на своих данных: цифры из условного примера выше для этого и не годятся. Расскажите в комментариях, какой моделью вы векторизовали номенклатуру и что получилось по качеству поиска.
- Analyzer 1C: как увидеть всю конфигурацию как на ладони через граф знаний
- LangGraph для 1С-разработчика: агент ждёт вашего «да» перед записью, стенд за 3 минуты
- Cursor + MCP: собираем идеальное рабочее место 1С-разработчика за 15 минут
- Предельные режимы. Границы масштабирования учетных систем. Переход к системному управлению производительностью. Вводный обзор.
Вступайте в нашу телеграмм-группу Инфостарт