JOVIA
    O que é Vector Database

    O que é um Vector Database? Guia para empresas que usam IA

    Definição, exemplo prático, casos de uso e como começar com Vector Database — explicado para empresas brasileiras.
    Ver glossário completo

    O que é Vector Database?

    Um Vector Database é um banco de dados especializado em armazenar e buscar vetores numéricos (embeddings) por similaridade semântica. É a infraestrutura que torna possível RAG, busca por significado e memória de longo prazo para agentes de IA.

    Bancos relacionais buscam por igualdade exata (WHERE id = 123). Vector databases buscam por proximidade no espaço vetorial — encontram conteúdo conceitualmente similar mesmo com palavras diferentes. Funcionam assim: cada documento é convertido em um vetor de 256-3072 dimensões via modelo de embedding. Quando você consulta, sua pergunta também vira vetor, e o banco retorna os N vetores mais próximos usando algoritmos como HNSW ou IVF. Em escala, isso roda em milissegundos sobre milhões de registros. É a base técnica de todo sistema RAG, recomendação semântica e memória persistente de agentes.

    Exemplo prático: busca em catálogo de produtos

    E-commerce com 50 mil SKUs. Cliente busca 'tênis pra correr na praia'. Busca textual tradicional não acha nada (ninguém escreve 'praia' na descrição). Com vector database (pgvector + embedding multimodal), busca retorna tênis com solado para superfícies macias, drenagem e resistência à água — produtos relevantes que NUNCA tinham essa palavra. Conversão da busca subiu 38%.

    Principais casos de uso de Vector Database

    • Backbone de RAG (retrieval para LLM)
    • Busca semântica em catálogos e bases de conhecimento
    • Recomendação de produtos/conteúdo por similaridade
    • Detecção de duplicatas e clustering de tickets
    • Memória de longo prazo para agentes de IA
    • Match de candidatos a vagas (HR-tech)

    Principais Vector Databases

    Critériopgvector (Postgres)Pinecone (managed)
    Custo entradaGrátis (já tem Postgres)US$ 0-70+/mês
    SetupExtension SQLConta + SDK
    Escala (vetores)Até ~10M com tuningBilhões nativo
    Performance brutaBoaExcelente
    Filtros + busca híbridaSQL nativo (forte)Limitado
    Indicado paraPMEs e MVPsEscala enterprise

    Como começar com Vector Database

    1. 1

      1. Comece com pgvector se já tem Postgres

      Para 80% dos casos de PME, pgvector resolve sem custo extra. Supabase já vem com ele instalado. Crie tabela com coluna vector(1536) e índice HNSW.

    2. 2

      2. Defina dimensões do embedding antes de migrar dados

      Mudar dimensão depois exige reindexar tudo. text-embedding-3-small da OpenAI usa 1536; 3-large usa 3072. Escolha pensando em custo (mais dimensões = mais armazenamento) e qualidade.

    3. 3

      3. Use busca híbrida (vetor + keyword) para precisão máxima

      Pure vector search erra em queries com termos exatos (códigos, nomes próprios). Combinar com BM25/full-text usando reciprocal rank fusion eleva precisão em 15-30%.

    Perguntas frequentes sobre Vector Database

    Não. Para LLM puro (gerar texto, traduzir, resumir) você não precisa. Vector database vira essencial quando o LLM precisa CONSULTAR sua base de conhecimento privada (RAG) ou quando você implementa busca semântica/recomendação.

    Fontes e leitura recomendada

    Termos relacionados

    Quer aplicar Vector Database na sua empresa?

    A JOVIA implementa IA com diagnóstico, governança e ROI mensurável.