RAG-индексы конфигурации 1С: считать эмбеддинги на CPU или на GPU

05.10.26

Интеграция - Нейросети

Семантический поиск по справочнику в 1С:Предприятие требует индекса: текст каждой записи проходит через модель эмбеддингов, и почти вся работа производится умножением матриц. Здесь рассказано, почему на этой операции видеокарта обгоняет серверный процессор, как разделить индексацию и поиск, сколько памяти займут векторы и что проверить на своих собственных данных. Числа индексации - условный пример, замера не было.

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.

Наименование Скачано Купить файл
Выгрузка справочника для RAG (BSL)
.zip 5,85Kb
0 2 500 руб. Купить

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 скидкой

Вы 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.
🧠 AI, Нейросети & MCP

Для кого: программисты и архитекторы 1С, которые проектируют семантический поиск по данным конфигурации и выбирают, где считать векторы.

🎯 О чём это (в трёх строках)
🗸Вынос индексации эмбеддингов на видеокарту.
🗸Сравнение CPU и GPU на умножении матриц, условный расчёт для 26 035 записей, фрагмент BSL для выгрузки справочника.
🗸Тяжёлая индексация не отбирает ядра у рабочей базы, в контуре 1С остаётся лёгкий поиск.
🧠 Суть статьи

Для 1С-архитекторов: где считать векторы для семантического поиска по справочникам и почему на индексации записей через модель эмбеддингов выигрывает видеокарта.

Ключевые идеи
  • 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.
Главная мысль

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.

  1. Выгрузка. Текстовые поля справочника выгружаются в файл: идентификатор записи и текст для векторизации.
  2. 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.
  3. Загрузка индекса. Векторы возвращаются в контур: регистр сведений, внешняя база с расширением для векторного поиска или файл, который читается при старте.
  4. 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:

1
2
3
4
5
6
7
8
9
// Выгрузка наименований справочника в текстовый файл: одна запись в строке
Файл = Новый ЗаписьТекста("C:\rag\nomen.txt", "UTF-8");

Выборка = Справочники.Номенклатура.Выбрать();
Пока Выборка.Следующий() Цикл
    Файл.ЗаписатьСтроку(Строка(Выборка.Ссылка.УникальныйИдентификатор()) + ";" + Выборка.Наименование);
КонецЦикла;

Файл.Закрыть();

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, тип ХранилищеЗначения.
  • 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.py создаёт файловую базу со справочником, проверяет модуль (/CheckModules) и вызывает выгрузку через V83.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.

 
Нинель Адольевна Щербакова
Нинель Адольевна Щербакова (Ninel_S)
Архитектор • SRE & DevOps инженер • HighLoad 1С
Автор 27 технических публикаций на Infostart. Разработчик NOPik, SRE-Suite-for-1C и мультиагентных ассистентов для экосистемы 1С:Предприятие.

Вступайте в нашу телеграмм-группу Инфостарт

RAG эмбеддинги GPU семантический поиск 1С справочник номенклатуры ONNX Runtime производительность

См. также

Нейросети Системный администратор Разработчик Аналитик Бухгалтер Пользователь Руководитель проекта 1С 8.3 1С:Документооборот 1С:Бухгалтерия 3.0 1С:Зарплата и Управление Персоналом 3.x Россия Платные (руб)

Подключите ИИ к 1С и решайте рабочие задачи обычными словами. От работы с данными до доработки конфигурации через расширения, всё в привычном чате с ИИ-помощником. Теперь с поддержкой DeepSeek Harness, Kimi Code и Kimi Work, доступных в России без VPN.

15990 руб.

30.07.2026    20814    44    4    

40

SALE! %

Банковские операции Обмен с интернет-банком Мастера заполнения Нейросети Разработчик Бухгалтер Пользователь 1С:Предприятие 8 1C:ERP 1С:Бухгалтерия 3.0 1С:ERP Управление предприятием 2 1С:Управление холдингом 1С:ERP. Управление холдингом 1С:Комплексная автоматизация 2.х 1С:Управление нашей фирмой 3.0 1С:Управление торговлей 11 1С:Розница 3.0 Платные (руб)

Корректируйте банковские документы быстро и легко! Создайте правило обработки — и оно автоматически применится при загрузке выписки (отбор по любому реквизиту или регулярному выражению). Решение заполняет расшифровку платежа, комиссию эквайринга, подбирает ведомости на выплату зарплаты, помечает дубли из банка на удаление и многое другое. Доплачивать за алгоритмы не нужно — они включены в решение. Обработка работает при загрузке из файлов клиент-банка и через DirectBank. Новое — искусственный интеллект: модель приводит нестандартные назначения платежа к виду, понятному алгоритмам, а ИИ-ассистент прямо в 1С консультирует по решению и разбирает код правил и алгоритмов. Поддерживаются локальные и облачные OpenAI-совместимые модели — данные могут не покидать ваш контур.

17500 14450 руб.

20.12.2024    21995    107    32    

90

Инструментарий разработчика Нейросети Платные (руб)

Первые попытки разработки на 1С с использованием больших языковых моделей (LLM) могут разочаровать. LLMки сильно галлюцинируют, потому что не знают устройства конфигураций 1С, не знают нюансов синтаксиса. Но если дать им подсказки с помощью MCP, то результат получается кардинально лучше. Далее в публикации: MCP для поиска по метаданным 1С, справке синтакс-помощника и проверки синтаксиса.

15250 руб.

25.08.2025    78325    148    41    

154

SALE! 30%

Нейросети 1С 8.3 1С:Бухгалтерия 2.0 1С:Бухгалтерия 1.6 1С:Бухгалтерия 3.0 1С:Управление холдингом 1С:Управление нашей фирмой 1.6 1С:Управление нашей фирмой 3.0 1С:Управление торговлей 10 1С:Управление торговлей 11 1С:Документооборот Россия Платные (руб)

Расширение добавляет в 1С чат с ИИ-агентом. Пользователь спрашивает словами: «какие УПД не подписаны?», «какой НДС к уплате за квартал?», «что правили задним числом?», а агент сам строит запросы к базе с правами этого пользователя и отвечает цифрами, таблицей, диаграммой или файлом Excel. Нужный отчёт можно поставить на расписание: агент пришлёт его в Telegram или MAX каждое утро, по будням или раз в неделю. Плитки «Аналитик», «Бухгалтер» и «Руководитель» дают сводку по базе одной кнопкой. В расширении 67 готовых инструментов: ЭДО, маркировка, НДС и счета-фактуры, прогноз закупок, сверка прайса, Документооборот. Ключи API и VPN не нужны, модель уже в цене, персональные данные заменяются метками до отправки, в базу агент ничего не пишет. Работает в УТ 11, КА 2, ERP 2, БП 3.0, УНФ 3.0, Документооборот 3.0 и Альфа-Авто 6 при режиме совместимости от 8.3.9; для старых баз на обычных формах есть отдельный вариант.

18300 руб.

05.10.2026    4555    16    9    

15

Распознавание документов и образов Нейросети 1С:Предприятие 8 1С 8.3 1С 8.5 1C:Бухгалтерия 1С:Зарплата и Управление Персоналом 3.x Беларусь Россия Казахстан Армения Платные (руб)

ИИ-сканер документов с REST API для интеграции с 1С и корпоративными системами. Извлекайте данные из счетов, паспортов, дипломов, патентов и трудовых книжек за секунды. Точность человека - скорость машины. Приложение поддерживает восемь типов документов, четырех провайдеров ИИ (имеется возможность использования локальных ИИ), локальный REST API и экспорт в JSON. Важно! модель должна поддерживать функцию Vision (распознавание файлов и картинок). Запускайте используя локальные ИИ, без подписок и ограничений

6100 руб.

24.08.2026    1630    3    0    

2

Инструментарий разработчика Нейросети Системный администратор Разработчик Руководитель проекта 1С 8.3 Платные (руб)

Обработка заменяет ФИО, организации, ИНН, ИИН, БИН, ОГРН, КПП, БИК, счета и IBAN, паспорта, СНИЛС, адреса, телефоны, почту и суммы на правдоподобные выдуманные перед отправкой данных в ChatGPT, Claude или YandexGPT, а потом расшифровывает ответ модели обратно, подставляя настоящие имена и настоящие числа. Возвращаются и те итоги, которые модель посчитала сама: суммы масштабируются одним коэффициентом, поэтому пропорции и доли переживают обезличивание. Словарь замен хранится в самой базе и подхватывается автоматически, даже если обработку закрывали. Реквизиты России и Казахстана, любая конфигурация от 8.3.24, без единой зависимости.

14640 руб.

07.08.2026    2366    3    0    

3

Нейросети 1С:Предприятие 8 1С:Управление торговлей 11 Платные (руб)

Устали вручную разбирать сотни писем в 1С? Доверьте рутину искусственному интеллекту! «По полочкам» — это готовое расширение для 1С, которое само читает входящие email, понимает их суть и мгновенно раскладывает по нужным категориям.

9028 руб.

15.10.2026    336    1    0    

1

Нейросети Разработчик 1С:Предприятие 8 1С:ERP Управление предприятием 2 Бесплатно (free)

Мы десятилетиями совершенствовали интерфейсы 1С: добавляли формы, отчёты, обработки, рабочие места, настройки и кнопки. А теперь выясняется, что значительная часть всего этого, возможно, вообще не нужна пользователю. Научить ChatGPT создавать заказ в 1С — несложно. Правда, пользователь может сделать это быстрее. Поздравляю, мы изобрели более дорогой способ нажать кнопку! Но, возможно, мы вообще неправильно оцениваем возможности AI. Что, если вместо очередного интерфейса для ввода документов появится инструмент, который понимает бизнес-задачи, самостоятельно работает с данными ERP, объединяет разные источники информации и предлагает решения? Разберём рабочие места от кассира до генерального директора и попробуем понять, где LLM+ MCP способен изменить саму организацию работы, а где старая добрая 1С ещё даст ему фору.

13.11.2026    10685    informa1555    20    

14
Комментарии
Подписаться на ответы Инфостарт бот Сортировка: Древо развёрнутое
Свернуть все
1. user640814_valery.trofimenko 05.10.26 22:06 Сейчас в теме
Зачем эта публикация?
Все это несколько раз было описано, выложены примеры(бесплатно) на инфостарте, причем гораздо лучше.
Видимо автору просто нужна очередная публикация.
И да, кстати, я проверял формирование эмбедингов (создание векторной базы) на справочнике номенклатура с более чем 20тыс позиций на локальной модели и цпу-без видеокарты. около 10 минут. А не часы как пишет автор.
Процессор Intel I7 9 поколение 8 ядер, память 64Гб, LmStudio с моделью multilingual-e5-large-Q8_0.
Описать старую видеокарту тоже так себе новшество.
2. Ninel_S 209 05.10.26 22:17 Сейчас в теме
(1)Спасибо, Коллега.
Ну, раз Вы так настаиваете, давайте снимем эту публикацию.
Можно? Вы не против?
Но вот беда, я не вижу ни одной Вашей публикации, которая останется в "базе знаний" вместо моей.
Может быть, прежде чем Вы станете огульно хаять мои замеры - Вы напишете статью и приведете свои?
Или приведете источники, на которых базируется Ваше - "выложены примеры(бесплатно) на инфостарте, причем гораздо лучше."?
А я покритикую ... И задам не менее риторико-патетический вопрос - "Зачем эта публикация?"
Как Вам такое предложение, Коллега?
3. user640814_valery.trofimenko 06.10.26 00:20 Сейчас в теме
Легко.
Вот этот алгоритм я проверял лично в апреле 2026 года
https://infostart.ru/1c/tools/2672156/
здесь не вижу моих комментариев, возможно я их писал в похожей теме, сейчас уже не найду.
на самом деле весной их было несколько, летом была тема по формированию векторной базы знаний в докере и много и много аналогичных тем, где люди исследуют, а не зарабатывают на своих пробах.
Своих тем не пишу, не хочу создавать лишний информационный мусор.
Когда мне действительно будет чем поделиться, поделюсь.
90% тем в этом разделе - информационный шум(мусор) или желание заработать на хайпе. Реально интересных и полезных, очень мало.
Ваша, например, просто зацепила тем что информации 0, рассказы про карту образца 2023 года, так себе новость.
Я ее гонял на LLM еще в 2024. Взяли хотя бы 5070 TI, я не говорю про более продвинутые.
Тогда хотя бы про железо можно было поговорить.
Нашел пример в котором есть и мои комментарии тоже
https://infostart.ru/1c/tools/2647191/
март 2026 года.
4. Ninel_S 209 06.10.26 12:28 Сейчас в теме
(3) Спасибо, теперь Вы, как и я, станете создавать и публиковать аналитические статьи для базы знаний infostart.ru (да ведь?)
Я поставила Вам "плюсик" за Ваш корректный и обоснованный ответ на моё предложение.
Послала Вам запрос в друзья.
Жду Ваших статей, чтобы стать Вашим доброжелательным и объективным критиком.
Удачи, дорогой Коллега!
user640814_valery.trofimenko; +1 – Ответить
5. V.Nikonov 141 06.10.26 19:41 Сейчас в теме
Пара тёмных пятен осталась:

Какова механика поиска, как использовать полученную Модель для поиска? 1С или внешнее хранение?

Справочники регулярно пополняются, а есть механизм частичного пополнения Модели? Или пока единственный вариант - Полное перестроение Модели?
6. Ninel_S 209 06.10.26 20:16 Сейчас в теме
(5)
Пара тёмных пятен осталась:

Какова механика поиска, как использовать полученную Модель для поиска? 1С или внешнее хранение?

Справочники регулярно пополняются, а есть механизм частичного пополнения Модели? Или пока единственный вариант - Полное перестроение Модели?


У меня запрос векторизуется той же моделью (дальше считается косинусная близость к векторам индекса и берутся top-N).
Хранить можно в регистре сведений или в векторном хранилище. От размера справочника и требований к скорости зависит - что следует выбрать в данном конкретном случае.
Пополнение: полное перестроение не обязательно, вектор каждой записи считается независимо, поэтому пересчитываются только новые и изменённые записи (по хешу [текста] и по версии модели). Полный пересчёт, очевидно, бывает нужен при смене модели.

Соберу стенд, сниму время и результаты поиска на справочнике из УТ и пришлю Вам цифры, код и протокол.
Дополню статью (или напишу цикл по этой интересной теме)
Для отправки сообщения требуется регистрация/авторизация