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
| Critério | pgvector (Postgres) | Pinecone (managed) |
|---|---|---|
| Custo entrada | Grátis (já tem Postgres) | US$ 0-70+/mês |
| Setup | Extension SQL | Conta + SDK |
| Escala (vetores) | Até ~10M com tuning | Bilhões nativo |
| Performance bruta | Boa | Excelente |
| Filtros + busca híbrida | SQL nativo (forte) | Limitado |
| Indicado para | PMEs e MVPs | Escala enterprise |
Como começar com Vector Database
- 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. 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. 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.