Texto → números
“Solicitar reembolso” vira um vetor. A pergunta passa pelo mesmo modelo de embeddings para que as representações possam ser comparadas.
Guia visual · dados · IA generativa
Vector Database.
Encontre pelo significado.
Uma busca tradicional procura palavras. A busca vetorial aproxima conteúdos com significado semelhante, mesmo quando as palavras mudam. É uma das peças mais usadas para encontrar contexto em aplicações de IA generativa.
PERGUNTA“Como recebo meu dinheiro de volta?”
↓ transforma em vetor
TRECHO ENCONTRADO“Prazo para solicitar reembolso”
As palavras diferem. O assunto é próximo.
01 · A ideia central
Um índice para encontrar o que está perto em significado.
Um embedding é uma lista de números gerada por um modelo para representar um texto, imagem ou outro conteúdo. Um banco ou mecanismo vetorial armazena essa representação e busca os vizinhos mais próximos da pergunta.
Vetor + contexto
Guarde o vetor junto do ID, texto original ou referência, fonte e metadados como idioma, data e permissões. O vetor sozinho não substitui o conteúdo.
Vizinhos mais próximos
Uma medida como similaridade de cosseno ordena os candidatos. Em bases grandes, índices aproximados como HNSW podem acelerar a busca, com troca entre velocidade e abrangência.
Filtros e verificação
Filtre por permissões, área ou data; combine com palavras-chave quando necessário; depois confira se os trechos retornados realmente respondem à pergunta.
Onde se usa? Busca semântica em documentos, atendimento com base de conhecimento, descoberta de conteúdo, recomendações, deduplicação e recuperação de imagens semelhantes. A técnica ajuda a encontrar candidatos; qualidade e autorização ainda precisam de regras próprias.
02 · Do documento à resposta
Dois caminhos se encontram na busca.
Primeiro, o conteúdo é preparado e indexado. Depois, cada pergunta é convertida em vetor e comparada aos trechos disponíveis.
INDEXAÇÃODocumentos→Trechos→Embeddings→Índice vetorial
CONSULTAPergunta→Embedding→Busca + filtros→Trechos relevantes
Trechos + pergunta → modelo de linguagem → resposta com fontes
O banco retorna candidatos e suas referências; quem redige a resposta é o modelo de linguagem. Em produção, uma etapa adicional pode reordenar resultados e avaliar relevância.
03 · Laboratório visual
Veja a pergunta se aproximar dos trechos.
Escolha uma pergunta. O ponto verde representa a consulta; os demais representam trechos de uma pequena base fictícia. Os resultados são ordenados pela similaridade de cosseno.
Simulação didática: os vetores em duas dimensões foram definidos manualmente para permitir o desenho. Um sistema real usa embeddings gerados por um modelo, em muito mais dimensões.
PERGUNTA REPRESENTADAComo recebo meu dinheiro de volta?vetor ilustrativo: [0,92; 0,38]
PerguntaTrecho relevanteOutro trecho
TOP 3 · TRECHOS RECUPERADOS
04 · Retrieval-Augmented Generation
O RAG usa a busca para levar contexto ao modelo.
RAG significa geração aumentada por recuperação: antes de responder, a aplicação recupera trechos relevantes de uma fonte de conhecimento e os inclui no contexto enviado ao modelo.
EXEMPLO
“Qual é a política de reembolso?”
Uma aplicação pode buscar trechos da política atual, respeitar permissões de acesso e pedir ao modelo uma resposta com referência ao documento. Se não houver trecho confiável, deve admitir a falta de evidência.
CAMINHO DA RESPOSTA
1. Recuperar a política vigente
2. Conferir relevância e autorização
3. Enviar pergunta + trechos ao modelo
4. Mostrar resposta e fonte
RAG não exige sempre um banco vetorial.
A recuperação pode ser por palavras-chave, vetores ou uma combinação das duas, chamada busca híbrida. Para bases pequenas, outras formas de busca podem bastar; a escolha depende de escala, atualização, custo, filtros e qualidade dos resultados.
05 · Soluções e fornecedores
Escolha pela necessidade da sua base.
Compare volume de dados, atualização, filtros, busca híbrida, operação e custo. Os links abaixo levam à documentação ou à página oficial de cada solução.
POSTGRESQL
pgvector
Extensão para busca vetorial dentro do PostgreSQL, junto aos dados e recursos já existentes.
Documentação ↗ BANCO VETORIALQdrant
Busca por similaridade com filtros de metadados e recursos de recuperação.
Documentação ↗ BANCO VETORIALWeaviate
Busca vetorial e híbrida, combinando semântica e palavras-chave.
Documentação ↗ SERVIÇO GERENCIADOPinecone
Infraestrutura gerenciada para indexar e consultar dados vetoriais.
Documentação ↗ BANCO VETORIALMilvus
Motor de busca vetorial para coleções de embeddings em diferentes escalas.
Documentação ↗ PROTÓTIPOS E APLICAÇÕESChroma
Ferramenta para guardar e consultar coleções de documentos e embeddings.
Documentação ↗ BUSCA EMPRESARIALAzure AI Search
Índice de busca com recursos vetoriais, texto, filtros e recuperação híbrida.
Documentação ↗06 · Continue estudando
Conecte a busca vetorial ao restante da arquitetura.
Estas páginas do site ajudam a entender modelos, contexto, APIs e a operação de aplicações de IA.
FUNDAMENTOSNLP e representações de textoDe tokens a transformers e modelos de linguagem. ↗CONTEXTOEngenharia de contextoO que selecionar e entregar ao modelo. ↗APLICAÇÃOAgentes de IAComo modelos usam ferramentas, dados e limites. ↗INTEGRAÇÃOGuia interativo de APIsComo a aplicação conecta serviços e dados. ↗QUALIDADEAvaliação de LLMsComo testar respostas e recuperação. ↗
Fontes técnicas para aprofundar: Microsoft · RAG · Weaviate · busca híbrida · Qdrant · busca vetorial.