VK запустила Discovery AI — единый поисковый слой на собственной LLM для видео, Дзена и знакомств: нейросеть для поиска информации

Ты вводишь в строку «нейросеть для поиска информации» и ждёшь, что найдётся один сервис, который заменит тебе и обычный поиск, и чтение статей, и ручной подбор. А находишь новость: VK внедрила Discovery AI. Первая реакция — «отлично, вот оно». Вторая, если прочитать пресс-релиз внимательно, — «а как мне это подключить к своему проекту?». Никак. И это главное, что нужно понять про событие 1 июля.

Разберёмся по порядку: что именно объявили, где заканчиваются проверяемые факты и начинается формулировка из релиза, и что делать тебе, если нужна собственная нейросеть для поиска информации внутри своего продукта, а не чужой закрытый слой поверх сервисов VK.

Подключите модели генерации контента с оплатой в рублях на provod.ai

Что именно VK объявила 1 июля 2026 года

Главное: 1 июля 2026 года VK объявила о внедрении Discovery AI — по описанию компании, это проприетарная технология нейропоиска на собственной большой языковой модели VK (источник: пресс-релиз VK и CNews, 2026-07-01). Не публичный API, не отдельное приложение, а внутренний поисково-рекомендательный слой.

Что об этом слое сказано в источниках:

• Discovery AI интегрирована в VK Видео, проекты Mail.ru Media и Дзен (VK, CNews, 2026-07-01).
• Система, по заявлению VK, формирует ответы менее чем за полсекунды (VK, CNews, 2026-07-01).
• Она поддерживает подбор анкет в приложениях знакомств по естественноязыковым запросам — в релизе приводится пример «найди человека для походов в горы» (VK, CNews, 2026-07-01).
• Есть режим «Deep Research» для углублённого анализа темы по запросу пользователя (VK, CNews, 2026-07-01).
• По словам Ильи Алтухова, руководителя направления экспериментальных ИИ-технологий VK, система ускоряет поиск персонально интересной пользователю информации за счёт анализа данных по всем сервисам VK (VK, CNews, 2026-07-01).

Отдельный сигнал контекста: анонс совпал с митапом VK AI по рекомендательным системам, который прошёл в тот же день, 1 июля. То есть это разговор про технологию на профильной площадке, а не запуск коробочного продукта с публичной ценой и документацией.

Если ты хочешь параллельно собирать собственную логику поиска на зарубежных моделях, это отдельная задача, и доступ к Claude, GPT, Gemini, DeepSeek и Qwen через один API без VPN даёт provod.ai — к этому вернёмся ниже, когда дойдём до кода.

⚠️ Важно: технические детали модели — её размер и архитектуру — VK в источнике не раскрывает. Любые числа про «миллиарды параметров» или «контекстное окно» в чужих пересказах — это не факты из релиза, а домыслы. Здесь их не будет.

Почему «нейросеть для поиска информации» — это не один продукт

Главное: сам запрос «нейросеть для поиска информации» устроен так, будто существует единый предмет. На практике за этими словами прячутся три разные вещи, и Discovery AI — только одна из них, к тому же тебе недоступная напрямую.

Разложим, что реально стоит за запросом:

1. Встроенный нейропоиск внутри чужого сервиса. Это как раз Discovery AI в VK Видео или Дзене. Ты им пользуешься как потребитель, но не встраиваешь в свой сайт или бота. Аналогично работает нейропоиск в других крупных поисковиках.
2. Языковая модель как движок, который ты сам подключаешь к своим данным. Это то, что инженеры называют RAG — поиск по твоей базе плюс генерация ответа моделью. Именно это ты строишь, когда тебе нужна «нейросеть для поиска информации» по внутренней документации, каталогу или архиву переписки.
3. Чат-ассистент общего назначения, которому ты задаёшь вопрос и получаешь ответ по его собственным знаниям. Полезно, но это не поиск по твоим актуальным данным.

Discovery AI живёт в первой категории. Красивый пример про «найди человека для походов в горы» — это естественноязыковой подбор анкет внутри знакомств VK. Он показывает силу модели на данных VK, но ни строчки из этого движка ты не вызовешь из своего кода. Если тебе нужна вторая категория — свой поиск по своим данным — придётся строить самому. Дальше именно про это.

Как устроен единый слой поверх разных продуктов

Главное: редакционно интересное в этом событии — не сам факт «ещё один ИИ-поиск», а то, что один движок обслуживает продукты разной природы: видео, новостной контекст и дейтинг.

По описанию VK, Discovery AI решает три довольно разные задачи одним слоем:

• Рекомендации контента в VK Видео и Дзене — подобрать, что показать.
• Агрегацию новостного контекста — собрать тему из разных источников медиа.
• Естественноязыковой подбор в знакомствах — понять запрос вроде «человек для походов в горы» и сопоставить его с анкетами.

Ключевая фраза из комментария Ильи Алтухова — «анализ данных по всем сервисам VK». Именно общий доступ к данным разных продуктов и делает такой слой ценным для владельца экосистемы: одна модель видит поведение пользователя в видео, в ленте и в приложениях и связывает это в единую персонализацию.

Для тебя как инженера отсюда следует практический вывод. Ценность нейропоиска почти никогда не в самой модели. Она в том, к каким данным модель подключена и как эти данные подготовлены. У VK данные всех сервисов уже под рукой. У тебя — своя база, и качество твоего поиска будет определяться тем, как ты её нарежешь, проиндексируешь и подашь модели. Модель тут заменяема, а данные — нет.

Как собрать собственный поиск на LLM: рабочие шаги

Главное: минимальный работающий нейропоиск по своим данным — это индексация текста в векторную базу, поиск похожих фрагментов по запросу и генерация ответа моделью с найденным контекстом. Ниже — компактный каркас.

Шаги без воды:

1. Собери источник. Выгрузи документы, статьи или карточки в обычный текст. Разбей на фрагменты по 500–1000 символов с небольшим перекрытием, чтобы не рвать смысл на границах.
2. Построй индекс. Прогони фрагменты через модель эмбеддингов, сложи векторы в векторную базу (подойдёт локальный Qdrant или pgvector в твоём Postgres).
3. Обрабатывай запрос. Для входящего вопроса посчитай эмбеддинг, найди топ-N ближайших фрагментов.
4. Генерируй ответ. Отправь вопрос и найденные фрагменты в LLM с инструкцией отвечать только по контексту и честно писать «не нашёл», если ответа в данных нет.
5. Показывай источники. Возвращай ссылки на исходные фрагменты. Без этого пользователь не отличит факт от галлюцинации.

Пятый шаг — не косметика. Именно он отделяет поиск, которому можно доверять, от красивой болталки.

Авторизация и код: где взять модель без VPN

Главное: если ты пишешь на привычных SDK от OpenAI или Anthropic, тебе не нужно менять код ради доступа к зарубежным моделям из России — меняются только ключ и базовый адрес.

provod.ai даёт один API, совместимый с SDK OpenAI и Anthropic: подменяешь ключ и base_url, остальной код остаётся прежним. Оплата идёт с одного рублёвого баланса — картой РФ, через СБП или по счёту, без зарубежных карт и без VPN. Для бухгалтерии есть договор, счёт и закрывающие документы.

Так выглядит генерация ответа по найденному контексту через совместимый клиент:

from openai import OpenAI

# ключ и адрес — единственное, что меняется client = OpenAI( api\_key="YOUR\_PROVOD\_KEY",          # заменить на свой ключ, не коммитить base\_url="https://api.provod.ai/v1", )

def answer(question: str, context\_chunks: list[str]) -> str: context = "\\n\\n".join(context\_chunks) resp = client.chat.completions.create( model="claude-sonnet-5",         # или gpt/gemini/deepseek/qwen messages=[ {"role": "system", "content": "Отвечай только по контексту. Если ответа нет — так и скажи."}, {"role": "user", "content": f"Контекст:\\n{context}\\n\\nВопрос: {question}"}, ], ) return resp.choices[0].message.content

Ключ храни в переменной окружения или менеджере секретов, а не в коде — плейсхолдер YOUR_PROVOD_KEY выше нужно заменить и ни в коем случае не отправлять в репозиторий. Эмбеддинги и векторный поиск в этом фрагменте опущены намеренно: они зависят от твоей базы, а точка, ради которой показан код, — что смена модели сводится к одной строке model=.

Сколько это стоит и какую модель брать

Главное: для нейропоиска дорогая модель нужна не всегда. Эмбеддинги и первичную фильтрацию делают дешёвыми моделями, а сильную включают только на финальную генерацию ответа.

Разумная раскладка по ролям в RAG-пайплайне:

Замечание по «Deep Research». В релизе VK это название конкретного режима Discovery AI для углублённого анализа темы (VK, CNews, 2026-07-01). Не путай его с одноимёнными режимами у других вендоров — это разные продукты с общим маркетинговым словом. У себя ты собираешь похожее поведение сам: несколько проходов поиска, промежуточные выводы, финальная сборка.

Честное сравнение с точки зрения России. Если задача — маршрутизировать запросы между семействами моделей и сравнивать их на одних и тех же данных, держать пять SDK, пять способов оплаты и пять обходов блокировок неудобно. Единый рублёвый баланс и один совместимый API у provod.ai закрывают именно этот стык: агрегатор собирает Claude, GPT, Gemini, DeepSeek и Qwen в одном чате и одном API. При этом он не заменяет GigaChat и не даёт доступ к внутренним моделям VK — это доступ к зарубежным семействам, когда тебе нужно их сравнить или переключаться между ними.

Частые ошибки и сборка без кода в n8n

Главное: большинство провалов нейропоиска — не в модели, а в данных и в отсутствии проверки источников. И собрать первый прототип можно вообще без кода.

Типичные грабли:

• Слишком крупные фрагменты. Модель получает контекст, где нужный факт растворён в шуме, и отвечает мимо. Режь мельче.
• Нет порога релевантности. Если ближайший фрагмент всё равно далёк по смыслу, честнее вернуть «не нашёл», чем заставлять модель фантазировать.
• Ответ без ссылок. Пользователь не может проверить — значит, не может доверять.
• Игнор ошибок API. Таймауты и лимиты будут. Оборачивай вызовы в повтор с паузой и логируй код ответа.
• Секрет в коде. Ключ в репозитории — это утечка бюджета. Только окружение или секрет-менеджер.

Прототип без программирования собирается в n8n по такой цепочке нод:

1. Триггер — входящий вопрос (webhook или сообщение из бота).
2. HTTP Request к твоей векторной базе — получить топ фрагментов.
3. HTTP Request к совместимому API (base_url тот же, что в коде выше; ключ — в credential n8n, не в теле ноды) — сгенерировать ответ.
4. Ответ пользователю со ссылками на источники.

Если на шаге 3 приходит ошибка авторизации — почти всегда дело в неверном base_url или в том, что ключ вставлен как обычный текст вместо заголовка. Если ответ пустой или обрезан — проверь, что контекст не превысил лимит и что модель в поле model написана без опечатки.

Чего это всё не решает

Честно про границы — и события, и своего решения.

• Discovery AI тебе не отдадут как API. Источники описывают внутренний слой VK по его продуктам. Публичной цены, документации и эндпоинта в релизе нет. Планировать интеграцию «на Discovery AI» сейчас не на чем.
• Свой RAG не заменит доступ к данным VK. Сила движка VK — в анализе данных по всем его сервисам. У тебя такого охвата нет и не будет; ты работаешь со своей базой.
• Агрегатор зарубежных моделей — это не всё сразу. provod.ai не заменяет платформы автоматизации, не даёт GigaChat, не разворачивает приватную или on-prem инфраструктуру, не открывает функции, которые вендор продаёт только по своей подписке, и не делает за тебя внедрение. Это доступ к моделям и оплата в рублях, а сборку и данные готовишь ты.
• Нейросеть не гарантирует правильный ответ. Она находит похожее и формулирует. Без порога релевантности и без ссылок на источники любой такой поиск будет иногда уверенно ошибаться.

Что выбрать под свою задачу

Как использовать модели генерации контента для бизнеса через provod.ai

• Изображения и видео. Кроме текстовых моделей, каталог provod.ai включает модели генерации изображений и видео.
• Оплата в рублях. Баланс provod.ai пополняется в рублях, а стоимость списывается за фактические запросы к выбранной модели.
• Прозрачная цена. Цены токенов в provod.ai указаны без наценки; при пополнении баланса действует отдельный сервисный сбор 5%.
• Доступ из России. Доступ к provod.ai работает из России без VPN и без зарубежной банковской карты.
• Документы для бизнеса. Для компаний provod.ai поддерживает рублёвую оплату, договор, счёт и закрывающие документы; текущая продуктовая справка также указывает ЭДО.

Всё про Discovery AI выше — из этих двух публикаций от 1 июля 2026 года: собственная LLM VK, ответы менее чем за полсекунды, интеграция в VK Видео, Mail.ru Media и Дзен, естественноязыковой подбор в знакомствах, режим Deep Research и комментарий Ильи Алтухова. Размер и архитектуру модели источник не раскрывает, поэтому таких чисел здесь нет. Рекомендации по своему пайплайну и код — это инженерная практика, а не цитаты из релиза.

Встройте модели генерации контента в бизнес-процессы через единый API provod.ai

Источники

• VK, пресс-релиз о внедрении Discovery AI, 2026-07-01 (первичный): https://vk.company.ru/ru/press/releases/
• CNews, «VK внедряет ИИ-поиск в продукты», 2026-07-01 (вторичный): https://www.cnews.ru/news/line/2026-07-01_vk_vnedryaet_ii-poisk_v_produkty