Дубовой: Верба - векторный умный поиск товаров через нейросети
Разработчиком данного модуля является Дубовой
- Подходящие редакции 1С-Битрикс: Старт, Стандарт, Эксперт, Малый бизнес, Бизнес
- Включает в себя: Модуль
- Категории: Для интернет-магазина, Каталог товаров, Свойства, фильтр, поиск, Поддержка клиентов, Другое
- Название компании-партнера: Дубовой
- Последняя версия: 1.3.23
- Дата публикации: 23.04.2026
- Число установок: Менее 50 раз
- Адаптивность: Да
- Поддержка композита: Да
- Совместимо с Сайты24: Нет
Дубовой: Верба — это интеллектуальный векторный поиск для интернет-магазина на 1С‑Битрикс, который помогает покупателю находить товары быстрее, точнее и удобнее, чем стандартный поиск по каталогу. В основе технологии лежит векторный поиск по смыслам, а также усиление через нейросети.
В отличие от обычного поиска, который в основном опирается на точные совпадения слов, Верба учитывает смысл запроса, опечатки, раскладку клавиатуры, транслит, формы слов, свойства товаров, цену, наличие и реальные конверсии. Это позволяет покупателю искать так, как ему привычно, — в свободной форме и без необходимости угадывать точное название товара из каталога.
гибким и масштабируемым.
Почему это важно.
Обычный поиск в магазине почти всегда зависит от буквального совпадения слов. Многие “умные” решения улучшают результат в основном за счет ручного ведения справочников синонимов. Такой подход можно улучшать, но у него есть естественный предел: словари нужно постоянно пополнять, поддерживать и вручную угадывать, как именно покупатель сформулирует свой запрос.
Мы пошли другим путем.
Дубовой: Верба использует многослойный подход к поиску. Модуль не пытается решить задачу одним алгоритмом. Он последовательно обрабатывает запрос на нескольких уровнях и за счет этого дает более сильный результат.
Сначала работает точный слой: поиск быстро ищет товары по названию, артикулу, бренду, свойствам, цене и наличию. Это важно там, где пользователь формулирует запрос точно. Дальше подключается слой обработки запроса: модуль учитывает опечатки, транслит, формы слов и привычные пользовательские формулировки. Это помогает не терять запросы, которые обычный поиск считает “неправильными”. Следом работает векторный смысловой слой. Если говорить простыми словами, модуль переводит и запрос, и товары в специальное смысловое представление, а затем сравнивает, насколько они близки друг к другу по значению.
За счет этого поиск ориентируется не только на буквальное совпадение слов, но и на то, насколько товар действительно подходит под намерение покупателя.
Например, человек может искать товар не теми словами, которые указаны в каталоге. Он может использовать другое название, бытовую формулировку, сокращение или просто описать задачу своими словами.
Обычный поиск в такой ситуации часто показывает слабый результат или не показывает ничего подходящего. Векторный слой помогает находить релевантные товары именно по смыслу запроса. А для сложных, длинных и неоднозначных запросов качество результата можно дополнительно усиливать через нейросети. Они помогают уточнять верхнюю часть выдачи и дотягивать релевантность там, где важно не просто найти похожие товары, а поднять наверх действительно самые подходящие позиции.
Сначала модуль ищет по названию, артикулу, бренду, любым другим свойствам, цене и наличию. Это дает быстрый и предсказуемый результат там, где пользователь ищет товар точно. На уровне модуля можно определять какие параметры будут попадать в поисковую выдачу.
Слой исправления запроса
Дальше модуль учитывает опечатки, раскладку клавиатуры, транслит и морфологию. Это снижает число пустых поисков.
Смысловой слой
Если точного совпадения мало или запрос более «человеческий», подключается векторный поиск по смыслу. Он помогает найти товары по смыслу, а не только по буквам. При этом смысловой слой можно подключать дополнительным блоком к точному поиску в качестве “рекомендуемых товаров” к этому запросу.
Поведенческий слой
Модуль учитывает статистику, клики и конверсии и мягко поднимает более эффективные товары выше. Поиск начинает работать не только на релевантность, но и на продажи.
LLM-слой
При необходимости верх выдачи может дополнительно уточняться нейросетью. Это особенно полезно для сложных и длинных запросов, что делает поисковую выдачу максимально точной и релевантной. Модуль поддерживает Российскую нейросеть на базе Яндекса, а также всемирно известную нейросеть компании OpenAI (разработчик ChatGPT).
В результате покупатель быстрее находит товар, магазин получает меньше пустых поисков, а выдача становится одновременно и точной, и «умной».
На старте модуль можно запустить экономно и без избыточных вложений в инфраструктуру.
Qdrant Cloud
Qdrant — это векторная база данных. Она хранит смысловые представления товаров и помогает находить похожие товары не по буквам, а по смыслу запроса.
• модуль превращает товары в векторы;
• загружает их в Qdrant;
• при поиске отправляет туда смысловой запрос;
• получает наиболее близкие по смыслу товары.
Сервис предоставляет бесплатное место в хранилище. На практике этого часто достаточно для каталога порядка до 100 000 товаров в базовом сценарии, если используются компактные векторы и нет чрезмерно тяжелой метадаты. Это инженерная оценка, а не жесткая гарантия: реальный объем зависит от числа векторов, офферов и состава данных.
Yandex Cloud Embeddings
Yandex Cloud Embeddings — это сервис, который превращает текст в векторы. Именно он помогает модулю «понимать» смысл названий, описаний и свойств товаров.
• модуль строит фид товаров;
• отправляет тексты в сервис эмбеддингов;
• получает числовые представления;
• затем использует их в Qdrant для смыслового поиска.
Для новых аккаунтов Яндекс предоставляет стартовый грант. Для новых аккаунтов в РФ это обычно от 4 000 ₽, а в некоторых сценариях больше — в зависимости от типа аккаунта и способа оплаты. Такого старта во многих случаях достаточно, чтобы не тратить деньги сразу на первичную векторизацию фида и тестовый запуск модуля.
OpenAI / Yandex LLM Rerank
Это дополнительный слой качества. Он не обязателен, но может еще точнее перестраивать верх поисковой выдачи по сложным запросам.
• сначала модуль находит кандидатов обычным и векторным поиском;
• затем LLM может переупорядочить верхние результаты;
• в итоге пользователь получает более точную выдачу по сложным запросам.
Таким образом, магазин может сначала запустить пилот, проверить качество поиска на реальных запросах и только затем масштабировать решение по мере роста каталога и нагрузки.
Просто напишите нам в чате на этой странице в правом нижнем углу, ответим максимально оперативно. Вы также можете написать в телеграм напрямую @DubovoiBot