# AnythingLLM без магии: что в дефолтной сборке ломает поиск по русским документам

Source: https://provod.ai/ru/blog/n200-t074

Разбираемся, где кончается «установил и заработало» и когда ради точных ответов придётся вручную менять эмбеддер и хранилище

Ставите AnythingLLM, закидываете туда десяток договоров и заметок на русском — и на прямой вопрос по конкретному пункту система выдаёт что-то рядом, но не то. Это не баг конкретной сборки, а следствие трёх чисел, зашитых в дефолт: встроенный эмбеддер all-MiniLM-L6-v2 отдаёт 384-мерные векторы, обучен преимущественно на английских текстах и обрезает вход на 256 токенов — примерно абзац текста, дальше модель просто не видит содержимое чанка целиком, [что фиксирует независимый обзор embedding-моделей](https://www.morphllm.com/ollama-embedding-models). При этом текст режется на куски по 1000 символов с перекрытием 200 — эти параметры заданы в документации как значения по умолчанию для [текстового сплиттера продукта](https://docs.anythingllm.com/setup/vector-database-configuration/overview). На английском абзаце в 1000 символов эмбеддер укладывается в лимит токенов почти без потерь. На кириллице тот же объём символов обходится заметно дороже в токенах, а точного соотношения не даёт никто: чанкинг в AnythingLLM настраивается в символах, лимит эмбеддера измеряется в токенах, и вендор эти две шкалы нигде не сводит. Практическое следствие от этого не меняется — часть чанка эмбеддер попросту не учитывает при векторизации. Отсюда и нерелевантные ответы: ищет система не по всему договору, а по обрезанному фрагменту.

[Подключите модели для поиска и баз знаний с оплатой в рублях на provod.ai](https://provod.ai/?ref=blog-cta-top&utm_source=provod-blog&utm_medium=article&utm_campaign=n200-t074)

## Позиция основателя против независимой практики

Тимоти Карамбат, основатель Mintplex Labs, публично называет продукт «магической коробкой» — локальным ИИ без кода и инфраструктурной возни, [судя по его постам](https://www.linkedin.com/posts/timothy-carambat-68855189_this-week-anythingllm-released-ai-agents-activity-7187064917416382464-PzpC). Для документного пайплайна это правда: скачал, закинул PDF, получил чат по содержимому — без единой настройки. Но независимый обозреватель Паскуале Пиллиттери формулирует иначе: качество RAG определяется «гигиеной» базы документов больше, чем мощностью модели, а локальная Llama3 на сложных рассуждениях заметно отстаёт от GPT и Claude — [по его словам](https://pasqualepillitteri.it/en/news/3844/anythingllm-what-it-is-review-2026), «you can feel it». Комфортная локальная работа с моделью такого уровня требует GPU от 8 ГБ VRAM и вложений свыше 1000 евро. То есть «без забот» относится к загрузке файлов, а не к качеству того, что вы в итоге получите на экране.

## Когда дефолт реально держится

Здесь важно не переусложнять раньше времени. Для небольшого личного архива англоязычных документов сценарий «поставил и сразу получил точный ответ» — не маркетинг, а реальность: чанк на 1000 символов английского текста укладывается в 256-токенный лимит all-MiniLM-L6-v2 без потерь смысла, LanceDB не требует отдельного сервера, а официальные системные требования десктопной версии — 16 ГБ ОЗУ и восьмиядерный процессор — [покрывают обычный ноутбук](https://docs.anythingllm.com/installation-desktop/system-requirements). Если у вас полсотни PDF на английском и вопросы вроде «что написано в контракте про сроки поставки» — трогать конфигурацию незачем. Усложнение через BGE-M3, внешние векторные БД и self-hosted Qdrant оправдано конкретными триггерами: кириллица, смешанные языки, растущая коллекция, командный доступ. Не потому что «так правильнее», а потому что дефолт перестаёт справляться именно в этих условиях.

## Что стоит смена эмбеддера

![02 evidence](https://storage.yandexcloud.net/provod-yc-production-cms-media/provod-yc-production-cms-media/blog/02-612.png)

Для мультиязычных корпусов рекомендуют BGE-M3 через Ollama — модель поддерживает более 100 языков и контекст до 8192 токенов против 256 у дефолтной [английской модели](https://www.morphllm.com/ollama-embedding-models). Разница на порядок, но это не переключатель в настройках. Эмбеддер в AnythingLLM задан на уровне всего приложения, а не отдельного workspace, и смена ломает уже загруженные документы — [прямое указание документации](https://docs.anythingllm.com/setup/embedder-configuration/overview). Все документы придётся удалить и заново проиндексировать, инструментов частичного переноса нет.

Проблема глубже, чем «подождать индексацию». При подключении PostgreSQL с pgvector размерность колонки VECTOR обязана совпадать с размерностью эмбеддера — у дефолтной модели это [384 измерения](https://github.com/Mintplex-Labs/anything-llm/blob/master/server/utils/vectorDbProviders/pgvector/SETUP.md). Переход на BGE-M3 с другой размерностью вектора означает не просто переиндексацию, а пересоздание таблицы. Насколько это критично, показывает закрытый баг-репорт: пользователь, подключивший text-embedding-ada-002 с её 1536 измерениями поверх LanceDB, получил ошибку несовпадения размерности вектора, и [issue закрыли мейнтейнеры со статусом «not planned»](https://github.com/Mintplex-Labs/anything-llm/issues/2156) — то есть это архитектурное ограничение, а не временный баг, который починят следующим релизом.

## Где встроенное хранилище упирается в потолок

LanceDB работает как embedded-инстанс внутри самого приложения — без отдельного сервера это действительно избавляет от настройки на старте, [подтверждает документация](https://docs.anythingllm.com/setup/vector-database-configuration/overview). Но именно отсутствие внешнего серверного режима — предмет открытого feature request: пользователи просят поддержку внешних LanceDB-инстансов для нескольких развёртываний, и на дату снимка [ответа мейнтейнеров нет](https://github.com/Mintplex-Labs/anything-llm/issues/3940). Параллельно есть пользовательский отчёт о том, что после добавления нескольких крупных документов через веб-скрапер интерфейс импорта замедляется «до полной остановки» — [единичное наблюдение без официального фикса](https://github.com/Mintplex-Labs/anything-llm/issues/1776), но оно совпадает по направлению с архитектурным ограничением из первого issue: LanceDB не рассчитан на рост коллекции сверх личного архива.

Есть и более свежий сигнал о точности самого поиска. В версии v1.8.2 пользователь сообщил, что чанки с нулевой или отрицательной похожестью попадают в цитаты даже при пороге схожести 0.75 — [issue помечен «investigating»](https://github.com/Mintplex-Labs/anything-llm/issues/4080), подтверждения бага мейнтейнерами нет, привязан к конкретному эмбеддеру и режиму. Не факт, что это воспроизведётся у вас — но если после смены эмбеддера ответы вдруг стали хуже, а не лучше, порог схожести — первое, что стоит перепроверить, а не списывать на саму модель.

## Чек-лист: когда менять эмбеддер, а когда не трогать

![03 decision](https://storage.yandexcloud.net/provod-yc-production-cms-media/provod-yc-production-cms-media/blog/03-612.png)

| Признак | Оставаться на all-MiniLM-L6-v2 | Переходить на BGE-M3 |
| --- | --- | --- |
| Язык документов | Только английский | Русский или смешанный |
| Объём коллекции | До нескольких сотен страниц | Растёт, счёт на тысячи страниц |
| Длина смыслового блока | Короткие фрагменты, до \~150 слов на чанк | Абзацы длиннее \~200 слов на чанк |
| Доступ | Один пользователь | Команда, несколько workspace |
| Готовность к переиндексации | Не готов тратить время сейчас | Готов удалить и загрузить документы заново |

Если хотя бы два признака справа — переиндексация окупится. Перед переключением зафиксируйте текущий размер базы: после смены эмбеддера система не оставляет пути назад без повторной полной загрузки.

Отдельно стоит проверка на этапе выбора эмбеддера, а не после переезда всей коллекции: прежде чем разворачивать локальную Ollama с BGE-M3, можно быстро сравнить качество ответов на нескольких эмбеддинг-моделях через облачные API — provod.ai даёт единый OpenAI-совместимый доступ к каталогу эмбеддинг-моделей, и смена провайдера здесь сводится к замене base URL и ключа в уже настроенном клиенте, без отдельной регистрации у каждого вендора. Это дешёвый способ убедиться, что кириллица действительно «поедет» лучше, прежде чем тратить часы на переиндексацию всей коллекции локально.

## Куда девать эмбеддинги вместо Pinecone

Официальная документация перечисляет поддерживаемые векторные базы: Chroma, Milvus локально и Pinecone, Zilliz, AstraDB, Qdrant, Weaviate, PGVector [как облачные или self-host варианты](https://docs.anythingllm.com/setup/vector-database-configuration/overview). Pinecone выглядит логичной облачной заменой LanceDB — бесплатный план Starter даёт до 2 ГБ хранилища и 2 млн write units в месяц, платный Builder стоит [20 долларов в месяц](https://www.pinecone.io/pricing/). Но это чисто облачный SaaS без self-hosted варианта, а российские карты Visa и Mastercard не работают на зарубежных платформах из-за отключённого международного процессинга — оплата требует посредников с комиссией 20–25%, иностранной карты или крипты, [показывает общий обзор платёжных обходов](https://vc.ru/services/2623402-kak-oplatit-zarubezhnye-servisy-iz-rossii). Для команды это дополнительный организационный слой поверх уже нетривиального архитектурного решения.

Практическая альтернатива — self-hosted. Qdrant можно поднять локально через Docker бесплатно, а бесплатный облачный кластер ограничен скромно — 0.5 vCPU, 1 ГБ RAM и 4 ГБ диска на узле, [указывает страница тарифов вендора](https://qdrant.tech/pricing/). Для команды, у которой уже есть PostgreSQL, логичнее pgvector — но помните про совпадение размерности вектора из предыдущего раздела: смените эмбеддер позже, и таблицу придётся пересоздавать заново.

Если генерирующую модель для ответов по документам вы всё равно берёте не локальную Llama3 — а именно так советует поступать Пиллиттери ради качества рассуждений — тот же вопрос оплаты из России встаёт снова, но уже для GPT или Claude. Система подключает LLM-провайдера через OpenAI-совместимый протокол, и здесь рублёвая оплата через provod.ai картой, СБП или счётом закрывает именно ту проблему, которую Pinecone создаёт для векторной БД, — без иностранной карты и посредников.

## Что запускать в понедельник

Автор гайда Better Stack Стэнли Улили описывает документный пайплайн нейтрально — чанкинг, эмбеддинг, LanceDB работают автоматически, но требуют отдельно запущенного сервиса Ollama, [которым нужно управлять как процессом](https://betterstack.com/community/guides/ai/anythingllm-local-llm/). Это и есть честная итоговая картина: «из коробки» — это про документный пайплайн, а не про сумму всех решений, которые определяют точность ответа. Если база на английском и небольшая — не трогайте дефолт, он справится. Если в ней кириллица и она растёт — сначала снимите порог схожести до «No Restriction» и проверьте чанкинг, прежде чем менять эмбеддер вслепую; и только затем планируйте полную переиндексацию под BGE-M3 и self-hosted Qdrant или pgvector — с чётким пониманием, что обратного пути без повторной загрузки документов у вас не будет.

## provod.ai — генерация изображений без отдельного медиасервиса

**Создавайте визуалы в том же контуре, где команда работает с текстом и кодом:** один кабинет и баланс упрощают производство баннеров, иллюстраций, концептов и продуктовой графики.

**В одном каталоге — актуальные модели для текста и медиа:** GPT от OpenAI, Claude от Anthropic, Gemini от Google, Grok от xAI, DeepSeek, Qwen, GLM, Kimi и MiniMax; для изображений — Nano Banana 2 Pro и GPT Image; для видео — последние версии Seedance, Kling, Veo и Google Omni. Также доступны модели для reasoning, поиска, документов, эмбеддингов, музыки и аудио.

**Генерации идут по официальной цене модели 1:1:** provod.ai не добавляет собственную наценку к стоимости изображения.

**Добавьте изображения в рабочий процесс:** [форма регистрации](https://app.provod.ai/register) · [цены на модели](https://app.provod.ai/models) · [защита данных по 152-ФЗ](https://provod.ai/legal/152-fz) · [главная provod.ai](https://provod.ai/ru)

### Источники

- [AnythingLLM — Vector Databases Overview](https://docs.anythingllm.com/setup/vector-database-configuration/overview)
- [AnythingLLM — Embedding Models Overview](https://docs.anythingllm.com/setup/embedder-configuration/overview)
- [AnythingLLM Desktop — System Requirements](https://docs.anythingllm.com/installation-desktop/system-requirements)
- [pgvector SETUP.md в репозитории AnythingLLM](https://github.com/Mintplex-Labs/anything-llm/blob/master/server/utils/vectorDbProviders/pgvector/SETUP.md)
- [GitHub issue #2156 — несовместимость LanceDB с text-embedding-ada-002](https://github.com/Mintplex-Labs/anything-llm/issues/2156)
- [GitHub issue #1776 — замедление загрузки крупных документов](https://github.com/Mintplex-Labs/anything-llm/issues/1776)
- [GitHub issue #3940 — запрос поддержки внешнего LanceDB](https://github.com/Mintplex-Labs/anything-llm/issues/3940)
- [GitHub issue #4080 — порог схожести не соблюдается](https://github.com/Mintplex-Labs/anything-llm/issues/4080)
- [MorphLLM — обзор Ollama embedding-моделей 2026](https://www.morphllm.com/ollama-embedding-models)
- [Qdrant Cloud — тарифы](https://qdrant.tech/pricing/)
- [Pinecone — тарифы](https://www.pinecone.io/pricing/)
- [vc.ru — как оплатить зарубежные сервисы из России](https://vc.ru/services/2623402-kak-oplatit-zarubezhnye-servisy-iz-rossii)
- [Pasquale Pillitteri — обзор AnythingLLM 2026](https://pasqualepillitteri.it/en/news/3844/anythingllm-what-it-is-review-2026)
- [Better Stack Community — гайд по AnythingLLM](https://betterstack.com/community/guides/ai/anythingllm-local-llm/)
- [Тимоти Карамбат — публичный пост о AnythingLLM](https://www.linkedin.com/posts/timothy-carambat-68855189_this-week-anythingllm-released-ai-agents-activity-7187064917416382464-PzpC)

## 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).