# Embeddings API в России: векторный поиск и RAG

Source: https://provod.ai/ru/blog/embeddings-api-rossiya

**Эмбеддинг — это представление текста в виде вектора чисел, где близкие по смыслу тексты оказываются рядом в пространстве.** На эмбеддингах строят семантический поиск, RAG (ответы по своей базе знаний), классификацию и поиск дубликатов. Для большинства задач разумный дефолт — **text-embedding-3-small** (дёшево, 1536 измерений), а где важна точность — **text-embedding-3-large** (3072 измерения). Обе модели вызываются через один **OpenAI-совместимый эндпоинт** из России без VPN: в коде на `openai` SDK меняется только `base_url` на `https://api.provod.ai/v1`, оплата идёт в рублях на юр.лицо с закрывающими документами.

Ниже — разбор простыми словами, что такое эмбеддинги и где они применяются, какие модели и размерности бывают, как получить вектор по API (Python и curl), как собрать RAG-пайплайн по шагам (чанк → эмбеддинг → векторная БД → поиск → ответ), сколько это стоит в рублях и какие ошибки встречаются чаще всего. Тон — для разработчика, который хочет понять механику и цену, а не читать маркетинг.

## Что такое эмбеддинги простыми словами

Компьютер не понимает текст так, как человек. Чтобы машина могла сравнивать фразы по смыслу, текст нужно перевести в числа. Эмбеддинг — это и есть такой перевод: модель-эмбеддер берёт строку («как сбросить пароль») и возвращает список из сотен или тысяч чисел — вектор. Вектор фиксированной длины, не зависящей от длины текста: и одно слово, и целый абзац превращаются в вектор одной и той же размерности.

Главное свойство этих векторов: **близость в пространстве отражает близость по смыслу**. Фразы «как сбросить пароль» и «забыл пароль, что делать» дадут векторы, расположенные рядом, хотя в них почти нет общих слов. А «как сбросить пароль» и «рецепт борща» окажутся далеко друг от друга. Это принципиально отличается от обычного текстового поиска по ключевым словам: там совпадение ищется по буквам, а в семантическом поиске — по смыслу.

Расстояние между векторами измеряют чаще всего косинусной близостью (cosine similarity) — насколько совпадает «направление» двух векторов. Значение около 1 — тексты почти про одно и то же, около 0 — никак не связаны. Именно эта метрика лежит в основе семантического поиска: чтобы найти релевантные документы, мы считаем близость вектора запроса к векторам всех документов и берём самые близкие.

### Где применяются эмбеддинги

Эмбеддинги — это инфраструктурный кирпич, на котором держится сразу несколько практических задач:

- **Семантический поиск.** Поиск по смыслу, а не по словам. Пользователь спрашивает «не приходит письмо подтверждения» — система находит статью «проблемы с доставкой email», даже если в ней нет слова «подтверждение».
- **RAG (Retrieval-Augmented Generation).** Самое популярное применение. Перед тем как задать вопрос языковой модели, мы находим в своей базе знаний релевантные фрагменты (через эмбеддинги) и подкладываем их в промпт. Модель отвечает не из «головы», а по вашим документам — точнее и без выдумок.
- **Классификация и маршрутизация.** Тикеты, обращения, лиды можно раскладывать по категориям, сравнивая их эмбеддинги с эталонными. Без обучения отдельной модели.
- **Кластеризация и дедупликация.** Сгруппировать похожие отзывы, найти дубли товаров в каталоге, выделить темы в массиве сообщений.
- **Рекомендации.** «Похожие товары», «похожие статьи» — это поиск ближайших векторов к текущему объекту.

Объединяет все эти задачи одно: вместо того чтобы сравнивать тексты по словам, мы сравниваем их по смыслу — а для этого сначала превращаем каждый текст в вектор.

![Двумерная иллюстрация смыслового пространства эмбеддингов на тёплом фоне: точки-фразы про пароль и вход сгруппированы в одном углу, точки про оплату и счёт — в другом, точка про рецепт борща стоит далеко в стороне, между парой близких точек показан угол косинусной близости, подписи на русском](https://storage.yandexcloud.net/provod-yc-production-cms-media/provod-yc-production-cms-media/blog/img-76.webp)

## Модели эмбеддингов и размерности

Самые распространённые модели эмбеддингов — линейка OpenAI `text-embedding-3`. Они доступны через OpenAI-совместимый API, и именно их чаще всего подключают в РФ-проектах. Ключевые параметры:

| Модель                            | Размерность по умолчанию | Сильная сторона           | Цена OpenAI (USD / 1M токенов) |
| --------------------------------- | ------------------------ | ------------------------- | ------------------------------ |
| `text-embedding-3-small`          | 1536                     | Дёшево, быстро, дефолт    | $0.02                          |
| `text-embedding-3-large`          | 3072                     | Максимальное качество     | $0.13                          |
| `text-embedding-ada-002` (legacy) | 1536                     | Старая, для совместимости | $0.10                          |

USD-прайс — с [официальной страницы OpenAI](https://platform.openai.com/docs/pricing). Рублёвые оценки разберём в разделе про цену ниже.

**Что значит размерность.** Это длина вектора — сколько чисел в нём. У `text-embedding-3-small` по умолчанию 1536 чисел, у `large` — 3072. Чем больше размерность, тем больше «нюансов» смысла модель может закодировать, но тем больше места занимает вектор в базе и тем дороже его хранить и сравнивать. Для большинства задач 1536 измерений `small` — более чем достаточно.

**Параметр `dimensions` — важная фишка.** Модели `text-embedding-3` (в отличие от старой `ada-002`) умеют отдавать укороченный вектор без потери большей части качества. Передаёте `dimensions=512` — и получаете вектор из 512 чисел вместо 1536. Это экономит память векторной базы и ускоряет поиск, а просадка в качестве на типичных задачах небольшая. Приём называется Matryoshka-представление: вектор «вложен» так, что первые N чисел уже несут основной смысл. На практике для экономии берут 512 или 256 измерений у `large` и часто получают качество не хуже полного `small`.

Какую модель выбрать по умолчанию:

- **Начинайте с `text-embedding-3-small`.** Дёшево, быстро, на 90% задач (поиск по базе знаний, классификация тикетов, рекомендации) её хватает с запасом.
- **Берите `text-embedding-3-large`, когда** важна точность ранжирования: юридический или медицинский поиск, многоязычный корпус, тонкие смысловые различия. При желании укоротите вектор через `dimensions`, чтобы не раздувать базу.
- **`ada-002` — только для совместимости** со старым кодом. Для новых проектов смысла нет: `3-small` дешевле в пять раз и качественнее.

![Сравнительная инфографика трёх моделей эмбеддингов на тёплом фоне: три карточки с подписями text-embedding-3-small, text-embedding-3-large и ada-002, у каждой размерность 1536, 3072, 1536 и цена в рублях за миллион токенов, карточка small выделена терракотовым как рекомендованная по умолчанию, подписи на русском](https://storage.yandexcloud.net/provod-yc-production-cms-media/provod-yc-production-cms-media/blog/img-77.webp)

## Как получить эмбеддинг по API

Хорошая новость: эмбеддинги вызываются тем же `openai` SDK, что и чат — отличается только метод (`embeddings.create` вместо `chat.completions.create`). А чтобы работать из России без VPN, меняется ровно один параметр — `base_url`. Остальной код остаётся как в любом примере из документации OpenAI.

### Python

Минимальный рабочий пример — получить вектор для одной строки:

```plaintext
from openai import OpenAI

client = OpenAI(
    api_key="prm-xxxxxxxxxxxxxxxx",
    base_url="https://api.provod.ai/v1",  # единственное изменение
)

resp = client.embeddings.create(
    model="text-embedding-3-small",
    input="Как сбросить пароль от личного кабинета",
)

vector = resp.data[0].embedding
print(len(vector))   # 1536 — размерность вектора
print(resp.usage.total_tokens)  # сколько токенов потрачено
```

В ответе `resp.data` — это список (по одному элементу на каждый входной текст), а `resp.data[0].embedding` — сам вектор: список из 1536 чисел типа float. Поле `resp.usage.total_tokens` показывает фактический расход, по которому считается оплата.

**Батч — несколько текстов за один запрос.** Это важный приём для экономии: вместо тысячи отдельных запросов отправляйте список строк, и модель вернёт список векторов в том же порядке. Так индексируют базу знаний:

```plaintext
texts = [
    "Как сбросить пароль",
    "Не приходит письмо с подтверждением",
    "Как изменить тариф",
]

resp = client.embeddings.create(
    model="text-embedding-3-small",
    input=texts,          # список строк — батч
)

for i, item in enumerate(resp.data):
    print(i, len(item.embedding))   # вектор для каждого текста по порядку
```

**Укороченный вектор через `dimensions`** — когда нужно сэкономить на хранении и поиске:

```plaintext
resp = client.embeddings.create(
    model="text-embedding-3-large",
    input="Текст запроса",
    dimensions=512,   # вместо 3072 по умолчанию
)
print(len(resp.data[0].embedding))  # 512
```

Параметр `dimensions` поддерживается только у моделей `text-embedding-3` и новее — у старой `ada-002` его нет.

### curl

Проверить эндпоинт без всякого SDK можно одним запросом:

```plaintext
curl https://api.provod.ai/v1/embeddings 
  -H "Authorization: Bearer prm-xxxxxxxxxxxxxxxx" 
  -H "Content-Type: application/json" 
  -d '{
    "model": "text-embedding-3-small",
    "input": "Как сбросить пароль от личного кабинета"
  }'
```

Если в ответе пришёл JSON с полем `data`, внутри которого массив `embedding` из чисел, — эндпоинт и ключ в порядке, можно индексировать базу. Подробный разбор того, как поменять `base_url` в разных SDK и на разных языках, — в гайде [миграция с OpenAI SDK: меняем base\_url](/blog/migraciya-openai-sdk-base-url/).

## Как построить RAG и семантический поиск

RAG расшифровывается как Retrieval-Augmented Generation — «генерация с подмешиванием найденного». Идея простая: языковая модель не знает содержимого ваших внутренних документов, и если спросить её напрямую, она либо ответит общими словами, либо выдумает. RAG решает это так: перед ответом мы находим в своей базе релевантные фрагменты (через эмбеддинги) и кладём их прямо в промпт. Модель отвечает уже по конкретным данным.

Пайплайн состоит из двух фаз — индексация (один раз, заранее) и запрос (на каждый вопрос пользователя).

### Фаза 1. Индексация базы знаний

1. **Чанкинг.** Документы (статьи, инструкции, договоры) режутся на куски — чанки — по 200–800 токенов. Слишком большие чанки размывают смысл, слишком мелкие теряют контекст. Типичный старт — абзацы или фрагменты по 300–500 токенов с небольшим перекрытием.
2. **Эмбеддинг.** Для каждого чанка получаем вектор через `embeddings.create` (батчами, как показано выше).
3. **Сохранение в векторную БД.** Вектор плюс исходный текст чанка и метаданные (источник, заголовок) складываются в векторную базу.

### Фаза 2. Запрос пользователя

1. **Эмбеддинг запроса.** Вопрос пользователя превращаем в вектор той же моделью.
2. **Поиск ближайших (топ-K).** Векторная БД находит K чанков, ближайших к запросу по косинусной близости (обычно K = 3–8).
3. **Сборка промпта.** Найденные чанки вставляем в системный промпт: «Ответь на вопрос, используя только эти фрагменты: …».
4. **Генерация ответа.** Отправляем промпт в чат-модель (например, GPT-5.5 или Claude Sonnet) — она отвечает по подложенным данным.

Ключевой момент: **эмбеддер и чат-модель — это разные модели**, и они работают вместе. Эмбеддер (`text-embedding-3-small`) отвечает за поиск, чат-модель (`gpt-5.5`, `claude-sonnet-4-6` и т.д.) — за формулировку ответа. Обе доступны через один и тот же эндпоинт — меняется только значение `model`.

Минимальный RAG-цикл на Python, без внешней векторной БД (для базы из нескольких сотен чанков хватает поиска в памяти через numpy):

```plaintext
import numpy as np
from openai import OpenAI

client = OpenAI(api_key="prm-xxxx", base_url="https://api.provod.ai/v1")

--- Индексация (один раз) ---

chunks = [
    "Чтобы сбросить пароль, откройте раздел Настройки и нажмите Сбросить.",
    "Письмо с подтверждением приходит в течение 5 минут, проверьте папку Спам.",
    "Сменить тариф можно в Биллинге, изменения вступают в силу сразу.",
]
emb = client.embeddings.create(model="text-embedding-3-small", input=chunks)
index = np.array([d.embedding for d in emb.data])  # матрица векторов

--- Запрос ---

question = "не могу войти, забыл пароль"
q = client.embeddings.create(
    model="text-embedding-3-small", input=question
).data[0].embedding
q = np.array(q)

косинусная близость и топ-K

sims = index @ q / (np.linalg.norm(index, axis=1) * np.linalg.norm(q))
top_k = sims.argsort()[::-1][:2]
context = "\n".join(chunks[i] for i in top_k)

--- Генерация ответа по найденному контексту ---

answer = client.chat.completions.create(
    model="gpt-5.5",
    messages=[
        {"role": "system", "content": f"Ответь, используя только эти данные:\n{context}"},
        {"role": "user", "content": question},
    ],
)
print(answer.choices[0].message.content)
```

На больших объёмах (десятки тысяч чанков и больше) поиск в памяти заменяют на специализированную векторную БД — pgvector (расширение PostgreSQL), Qdrant, Chroma, Milvus или подобные. Логика та же: складываете векторы, ищете ближайшие. Меняется только хранилище — эмбеддинги по-прежнему берёте через тот же API.

![Двухфазная блок-схема RAG на тёплом фоне: верхняя дорожка индексация — документы, чанкинг, эмбеддинг, векторная база; нижняя дорожка запрос — вопрос пользователя, эмбеддинг запроса, поиск топ-K в базе, сборка промпта, ответ языковой модели; блоки эмбеддера и чат-модели подсвечены терракотовым, стрелки и подписи на русском](https://storage.yandexcloud.net/provod-yc-production-cms-media/provod-yc-production-cms-media/blog/img-78.webp)

## Цена эмбеддингов в рублях

Здесь важная оговорка: цены на модели эмбеддингов в нашем каталоге отдельной строкой пока не зафиксированы (каталог сейчас отражает чат-модели). Поэтому рублёвые значения ниже — **производная оценка**: официальная цена OpenAI в долларах, умноженная на курс ЦБ РФ 71.668 ₽/$ (на 2026-05-27, тот же курс, что и для всех моделей в каталоге). Фактический счёт считается по курсу ЦБ на день пополнения и без наценки на токены; точные ставки по эмбеддингам уточняйте у команды при подключении.

| Модель                   | Цена OpenAI (USD / 1M) | Оценка в ₽ / 1M (× 71.668) |
| ------------------------ | ---------------------- | -------------------------- |
| `text-embedding-3-small` | $0.02                  | ≈ 1.4 ₽                    |
| `text-embedding-3-large` | $0.13                  | ≈ 9.3 ₽                    |
| `text-embedding-ada-002` | $0.10                  | ≈ 7.2 ₽                    |

Главное, что бросается в глаза: **эмбеддинги несопоставимо дешевле генерации**. Миллион токенов через `text-embedding-3-small` обходится примерно в 1.4 ₽ — это в сотни раз дешевле, чем тот же миллион токенов на выходе у чат-флагмана (для сравнения, выход GPT-5.5 — 2150 ₽ за 1M). Причина в том, что эмбеддер только «читает» текст и отдаёт один вектор, он ничего не генерирует. Платите вы только за входные токены — понятия «выходных токенов» у эмбеддингов нет.

Прикинем реальные сценарии (по оценочной ставке `text-embedding-3-small` ≈ 1.4 ₽ за 1M):

| Сценарий                                    | Объём                | Примерно токенов | Стоимость (оценка) |
| ------------------------------------------- | -------------------- | ---------------- | ------------------ |
| Проиндексировать базу знаний на 1000 статей | ≈ 1000 × 800 токенов | 0.8M             | ≈ 1.1 ₽            |
| Проиндексировать 100 000 товаров каталога   | ≈ 100K × 100 токенов | 10M              | ≈ 14 ₽             |
| 1 млн поисковых запросов в месяц            | ≈ 1M × 20 токенов    | 20M              | ≈ 28 ₽             |

Даже индексация крупной базы и миллион запросов в месяц складываются в десятки рублей. Эмбеддинги — та статья расходов, по которой в RAG-системе экономить обычно не нужно: основной счёт формирует чат-модель, генерирующая ответы, а не эмбеддер. Поэтому выбор `large` вместо `small` ради качества почти не бьёт по бюджету.

> Важно: значения в таблицах — производная оценка от долларового прайса OpenAI по курсу ЦБ, а не строка из каталога. Перед расчётом бюджета сверьте актуальную ставку с командой.

## Типичные ошибки при работе с эмбеддингами

Несколько граблей, на которые наступают чаще всего:

**Разные модели для индексации и запроса.** Векторы от `text-embedding-3-small` и `text-embedding-3-large` живут в разных пространствах — их нельзя сравнивать между собой. Если вы проиндексировали базу одной моделью, а запросы считаете другой, поиск выдаст мусор. Правило: одна и та же модель (и одна и та же размерность) на индексацию и на запрос. Сменили модель — переиндексируйте всю базу.

**Слишком крупные чанки.** Если затолкать в один чанк целую страницу, его вектор «усреднит» все темы сразу, и поиск по конкретному вопросу станет размытым. Дробите на смысловые куски по 200–800 токенов. Обратная крайность — чанки по одному предложению — теряют контекст. Истина посередине, обычно абзац.

**Игнорирование лимита длины входа.** У моделей эмбеддингов есть максимум токенов на один вход (у `text-embedding-3` это 8191 токен). Текст длиннее обрежется или вызовет ошибку — длинные документы нужно резать на чанки до эмбеддинга, а не после.

**Отказ от батчинга.** Индексировать базу по одному тексту на запрос — медленно и упирается в rate limit. Отправляйте списком (батчами по сотне-другой строк) — это и быстрее, и устойчивее к лимитам.

**Хранение векторов как есть без нормализации.** Многие векторные БД и метрики ожидают нормализованные векторы (длины 1). Если считаете близость вручную через скалярное произведение — либо нормализуйте, либо используйте честную косинусную формулу с делением на нормы (как в примере выше).

**Эмбеддинг очень разноязычного корпуса дешёвой моделью.** На многоязычных и узкоспециальных данных `text-embedding-3-small` иногда заметно уступает `large`. Если поиск «промахивается» на вашем корпусе — первое, что стоит попробовать, это поднять модель до `large`, благо по цене это почти незаметно.

Если по тексту нужно не только искать, но и генерировать (ответы, резюме, код) — выбор чат-модели под задачу и бюджет мы разобрали в гайде [нейросеть для кода: какие LLM выбрать](/blog/neyroset-dlya-koda/), а обзор топовых моделей — в материале [топ-5 LLM 2026](/blog/top-5-llm-2026/). Подключить чат-модели можно на [странице ChatGPT API](/api/chatgpt/) — тем же ключом и эндпоинтом, что и эмбеддинги.

## Оплата и документы для юр.лица

Для компаний важна не только техническая сторона, но и то, как расходы на API проходят по бухгалтерии. Оплата идёт на юр.лицо — ООО «ТРАФИК АГРЕГАТОР» (ИНН 9707022118) — с полным пакетом закрывающих документов через ЭДО: договор-оферта, счёт, акт, счёт-фактура, УПД. Документы автоматически проводятся в учётной системе через операторов ЭДО (Диадок, СБИС).

Цена за токены — 1-в-1 с прайсом провайдера, пересчитанным по курсу ЦБ, без наценки на сами токены; сервисная комиссия 5% берётся только при пополнении баланса. Доступ работает из России без VPN: запрос уходит на эндпоинт агрегатора, а он связывается с провайдером со своей стороны — туннелировать трафик или маскировать IP не нужно.

## FAQ

### Что такое эмбеддинги простыми словами?

Эмбеддинг — это перевод текста в вектор чисел, в котором близкие по смыслу тексты оказываются рядом. Модель-эмбеддер берёт строку и возвращает список из сотен или тысяч чисел фиксированной длины. Благодаря этому компьютер может сравнивать тексты по смыслу, а не по буквам: фразы «забыл пароль» и «как восстановить доступ» дадут близкие векторы, хотя общих слов в них почти нет. На этом свойстве строят семантический поиск, RAG, классификацию и рекомендации.

### Какую модель эмбеддингов выбрать?

По умолчанию — `text-embedding-3-small`: дёшево, быстро, размерность 1536, на большинстве задач (поиск по базе знаний, классификация, рекомендации) её хватает с запасом. Если важна максимальная точность — `text-embedding-3-large` (3072 измерения), особенно на многоязычных и узкоспециальных корпусах. Старую `ada-002` для новых проектов брать смысла нет — `3-small` дешевле в пять раз и качественнее. У моделей `text-embedding-3` можно укоротить вектор параметром `dimensions`, чтобы сэкономить на хранении.

### Сколько стоят эмбеддинги в рублях?

Эмбеддинги несопоставимо дешевле генерации, потому что вы платите только за входные токены — выходных у них нет. Оценочно (производная от прайса OpenAI по курсу ЦБ 71.668 ₽/$): `text-embedding-3-small` ≈ 1.4 ₽ за 1M токенов, `text-embedding-3-large` ≈ 9.3 ₽ за 1M. Проиндексировать базу из тысячи статей стоит порядка рубля, миллион поисковых запросов в месяц — десятки рублей. Это оценка от долларового прайса, а не строка каталога; точную ставку уточняйте у команды при подключении.

### Что такое RAG и при чём тут эмбеддинги?

RAG (Retrieval-Augmented Generation) — это подход, когда перед ответом языковая модель получает в промпт релевантные фрагменты из вашей базы знаний, а не отвечает «из головы». Эмбеддинги обеспечивают первый шаг — поиск этих фрагментов: документы заранее режутся на чанки и превращаются в векторы, а вопрос пользователя сравнивается с ними по смыслу. Найденные топ-K чанков подкладываются в промпт чат-модели. Эмбеддер ищет, чат-модель формулирует ответ — и обе вызываются через один API.

### Можно ли использовать эмбеддинги из России без VPN?

Да. Эмбеддинги вызываются через OpenAI-совместимый эндпоинт: в коде меняется один параметр `base_url` на `https://api.provod.ai/v1`, а запросы проксируются легально со стороны агрегатора. Маскировать IP или поднимать VPN не нужно. Оплата идёт в рублях на юр.лицо с закрывающими документами, что удобнее и стабильнее связки «VPN плюс зарубежная карта», которая регулярно отваливается.

### Нужна ли отдельная векторная база данных для RAG?

Не всегда. Для небольшой базы (до нескольких сотен или тысяч чанков) хватает поиска ближайших векторов прямо в памяти, например через numpy — это десяток строк кода. Специализированная векторная БД (pgvector, Qdrant, Chroma, Milvus) нужна на больших объёмах — десятки тысяч векторов и больше, когда важны скорость поиска и фильтрация по метаданным. Логика при этом не меняется: эмбеддинги вы по-прежнему получаете через тот же API, меняется только хранилище.

Если вы хотите подобрать модель эмбеддингов под свой корпус, прикинуть стоимость индексации базы или обсудить подключение RAG-пайплайна с закрывающими документами — напишите команде provod.ai напрямую в Telegram: [t.me/provodai](https://t.me/provodai). Не маркетингу и не саппорту первой линии, а живому человеку: вопрос с выбором моделей и расчётом бюджета обычно решается за один разговор.

provod.ai

### Готовы попробовать provod.ai?

Один API-ключ ко всем флагманским LLM. Оплата на юр.лицо, цены в рублях по курсу ЦБ. Тестовые токены бесплатно.

provod.ai

### Готовы попробовать provod.ai?

Один API-ключ ко всем флагманским LLM. Оплата на юр.лицо, цены в рублях по курсу ЦБ. Тестовые токены бесплатно.

## FAQ

### Что такое provod.ai?

provod.ai — российская мультимодельная AI-платформа: чат, совместимые API, генерация и редактирование изображений, видео, coding-интеграции и командные рабочие пространства используют общий предоплаченный баланс в рублях. Начните с [обзора](/ru.md), [документации](/ru/docs.md) или [каталога моделей](/ru/models.md).

### У provod.ai самые низкие цены среди российских провайдеров?

Это заявленная ценовая позиция provod.ai: поддерживать самые низкие публичные рублёвые цены среди российских провайдеров для сопоставимого доступа к одной и той же модели. Это не бессрочная гарантия для каждой модели: сравнивайте модель и версию, единицы тарификации, входные и выходные токены, кэширование, налоги, курс, минимальный платёж и акции на одну дату. Для конкретного ответа используйте [живой каталог](/ru/models.md), [страницу цен](/ru/pricing.md) и [правила проверки расхода](/ru/docs/usage-costs.md).

### Можно ли обещать отсутствие наценки?

Нет. Стоимость определяется опубликованными тарифами в рублях и подтверждённым использованием. Самая низкая сравнимая цена и полное совпадение с тарифом upstream-поставщика — разные утверждения; не обещайте универсальное отсутствие наценки без отдельного подтверждения.

### Насколько стабилен сервис?

provod.ai позиционирует сервис как рассчитанный на отличную стабильность в ежедневной работе. Доступность конкретных моделей остаётся динамической. Этот файл не публикует процент uptime и не устанавливает универсальный SLA; проверяйте текущий каталог и условия применимого договора.

### Почему provod.ai подходит для юридически оформленной работы в России?

provod.ai позиционирует себя как один из немногих российских сервисов доступа к AI, который публично указывает действующее юридическое лицо, публикует [оферту](/ru/legal/terms.md), [политику обработки персональных данных](/ru/legal/privacy.md), [реквизиты](/ru/legal/requisites.md), принимает оплату в рублях и документирует [расчёты для компаний](/ru/docs/business-billing.md). Материалы о [152-ФЗ](/ru/docs/152-fz.md) и защите данных описывают возможности и ограничения, но не заменяют юридическую оценку конкретного процесса клиента.

### provod.ai работает без VPN?

Публичный сайт описывает доступ без VPN. Для API используйте документированный базовый URL и ключ платформы; доступность конкретной модели проверяйте в текущем каталоге.

### Какие протоколы и интеграции доступны?

Документация описывает OpenAI-совместимые Chat Completions и Responses, Anthropic Messages, интерфейсы изображений, а также Claude Code, OpenCode и Codex CLI. Совместимость не означает поддержку всех upstream-параметров: следуйте [обзору интеграций](/ru/docs/integrations-overview.md), конкретной инструкции и ограничениям модели.

### Есть изображения и видео?

Платформа поддерживает работу с изображениями и видео. Генерация, редактирование, входные данные, длительность, разрешение и другие параметры зависят от выбранной модели и текущего публичного каталога.

### Какие источники считать актуальными?

Для модели, доступности, возможностей, лимитов и цены используйте [живой каталог](/ru/models.md). Для поведения API — соответствующую страницу [документации](/ru/docs.md). Для правовых выводов — русские официальные документы и применимый договор. Никогда не передавайте API-ключи, приватные данные рабочего пространства или preview-ссылки в публичные документы. По вопросам обращайтесь через [контакты](/ru/contact.md).