← Voltar para o Dia 3: Embeddings

Vector Database

O que é

Um Vector Database, ou banco de dados vetorial, é um sistema especializado em armazenar, organizar e consultar vetores, especialmente os vetores gerados por modelos de embeddings.

Em aplicações de IA, ele permite encontrar informações que são semanticamente semelhantes a uma consulta, mesmo quando as palavras utilizadas são diferentes.

Um banco de dados tradicional pode responder:

“Quais registros possuem a palavra férias?”

Um Vector Database pode responder:

“Quais documentos possuem informações relacionadas ao processo de solicitar férias?”

Para isso, ele utiliza os vetores produzidos pelos embeddings e algoritmos de busca por similaridade, como a Cosine Similarity.

---

Como funciona

Imagine que temos vários documentos de uma empresa.

Primeiro, os documentos são divididos em partes menores. Cada parte passa por um Embedding Model, que transforma o conteúdo em um vetor.

O fluxo pode ser representado assim:

Documento
   ↓
Chunking
   ↓
Embedding Model
   ↓
Vector Embedding
   ↓
Vector Database

O banco armazena o vetor junto com informações que permitem identificar sua origem, como o texto original, o documento, a página ou outros metadados.

Quando o usuário faz uma pergunta, acontece um processo semelhante:

Pergunta do usuário
   ↓
Embedding Model
   ↓
Vetor da pergunta
   ↓
Busca por similaridade
   ↓
Vetores mais semelhantes
   ↓
Trechos correspondentes
   ↓
LLM
   ↓
Resposta

O ponto importante é que o banco não precisa procurar apenas pelas mesmas palavras. Ele procura vetores próximos no espaço vetorial.

Por isso, uma pergunta como:

"Como posso marcar minhas férias?"

pode encontrar um documento que diga:

"Os colaboradores devem registrar o período de descanso
no sistema de gestão de pessoas."

Mesmo sem compartilhar exatamente as mesmas palavras, os dois conteúdos podem possuir uma representação vetorial semanticamente próxima.

Um Vector Database normalmente também permite armazenar metadados associados aos vetores. Isso possibilita combinar busca semântica com filtros.

Por exemplo:

Buscar conteúdos semanticamente semelhantes
+
filtrar documentos do departamento = RH
+
filtrar ano = 2026

Isso torna a recuperação de informações mais precisa.

---

Um exemplo

Imagine uma empresa com uma base de documentos contendo:

Documento A:
"Funcionários podem solicitar férias pelo sistema interno."

Documento B:
"O pagamento do salário ocorre até o quinto dia útil."

Documento C:
"O período de férias deve ser combinado previamente com o gestor."

Esses documentos são transformados em embeddings e armazenados no Vector Database.

O usuário pergunta:

"Como faço para pedir minhas férias?"

A pergunta também é transformada em um embedding.

O Vector Database compara o vetor da pergunta com os vetores armazenados usando uma métrica de similaridade.

O resultado poderia ser:

Documento A → alta similaridade
Documento C → alta similaridade
Documento B → baixa similaridade

O sistema recupera os trechos mais relevantes e os fornece à LLM como contexto.

Assim, em uma arquitetura RAG:

Pergunta
   ↓
Embedding
   ↓
Vector Database
   ↓
Busca por similaridade
   ↓
Documentos relevantes
   ↓
Contexto
   ↓
LLM
   ↓
Resposta

O Vector Database, portanto, funciona como uma espécie de índice semântico da base de conhecimento.

---

Por que é importante

O Vector Database é uma peça fundamental de muitas arquiteturas modernas de RAG, porque permite recuperar rapidamente informações relevantes a partir de grandes volumes de conteúdo.

Ele é especialmente útil quando precisamos encontrar informações por significado, e não apenas por correspondência literal de palavras.

Suas principais aplicações incluem:

• Busca semântica
• RAG
• Sistemas de recomendação
• Busca por documentos semelhantes
• Detecção de conteúdo relacionado
• Classificação e agrupamento
• Sistemas de perguntas e respostas
• Memória de agentes de IA

É importante também entender que o Vector Database não é a mesma coisa que um banco de dados tradicional.

Um banco relacional é excelente para consultas estruturadas, como:

SELECT * FROM clientes
WHERE idade > 30;

Já um Vector Database é especializado em perguntas como:

"Encontre os documentos mais relacionados
a esta pergunta."

Na prática, sistemas de IA podem utilizar os dois. Um banco tradicional pode armazenar os dados estruturados, enquanto um Vector Database pode armazenar os embeddings utilizados para busca semântica.

A relação entre os conceitos estudados até aqui pode ser resumida assim:

Embedding
    ↓
Vector Embedding
    ↓
Vector Database
    ↓
Similarity Search
    ↓
Cosine Similarity
    ↓
Conteúdo relevante
    ↓
RAG
    ↓
LLM

A ideia central é simples: o embedding transforma o conteúdo em uma representação vetorial, enquanto o Vector Database torna possível armazenar e encontrar essas representações de forma eficiente.

link de compartilhamento