← Voltar para o Dia 4: RAG: finalmente
Pgvector
O que é
pgvector é uma extensão do PostgreSQL que permite armazenar, indexar e pesquisar vetores diretamente dentro de um banco de dados relacional.
No contexto de RAG, isso significa que os embeddings dos chunks podem ser armazenados junto com os dados tradicionais da aplicação, permitindo realizar busca por similaridade vetorial usando o próprio PostgreSQL.
O fluxo pode ser representado assim:
Documentos
↓
Parsing
↓
Cleaning
↓
Chunking
↓
Embedding Model
↓
Embeddings
↓
PostgreSQL + pgvector
↓
Vector Search
↓
Chunks relevantesA principal característica do pgvector é combinar dados relacionais tradicionais com dados vetoriais no mesmo banco.
Como funciona
Imagine que uma aplicação já utiliza PostgreSQL para armazenar seus clientes, documentos e permissões.
Sem pgvector, os embeddings poderiam precisar ser armazenados em uma solução separada:
PostgreSQL
→ clientes
→ documentos
→ permissões
Vector Database
→ embeddings
→ busca vetorialCom pgvector, os vetores podem ficar dentro do próprio PostgreSQL:
PostgreSQL + pgvector
┌─────────────────────────────┐
│ Documento │
│ Chunk │
│ Metadata │
│ Embedding │
│ Cliente │
│ Permissões │
└─────────────────────────────┘Isso permite combinar uma busca semântica com filtros relacionais.
Por exemplo:
Pergunta:
"Qual é a política de férias?"
+
Filtro:
departamento = "RH"
empresa_id = 123
ano >= 2026O sistema pode utilizar a similaridade dos embeddings para encontrar os chunks mais relevantes e, ao mesmo tempo, aplicar condições sobre os dados armazenados no PostgreSQL.
Assim, o pgvector aproxima duas formas de busca:
Busca tradicional
→ filtros, campos, relacionamentos
Busca vetorial
→ similaridade entre embeddingsUm exemplo
Imagine uma tabela de chunks de documentos:
documents_chunks
id | content | embedding | department | year
------------------------------------------------
1 | ... | [0.21,...] | RH | 2026
2 | ... | [0.72,...] | Finance | 2026
3 | ... | [0.19,...] | RH | 2025Durante a ingestão, cada chunk recebe um embedding:
Chunk
↓
Embedding Model
↓
Vector
↓
PostgreSQL + pgvectorQuando o usuário faz uma pergunta, ela também é transformada em um vetor:
"Qual é o prazo para solicitar férias?"
↓
Embedding Model
↓
Vetor da consultaO pgvector pode então realizar uma busca por similaridade e encontrar os chunks mais próximos.
O sistema ainda pode aplicar filtros:
Busca:
similaridade vetorial
+
department = "RH"
+
year = 2026O resultado é uma lista de chunks relevantes que pode ser enviada ao LLM como contexto.
Por que é importante
O pgvector é importante porque permite implementar busca vetorial dentro de uma infraestrutura PostgreSQL, evitando necessariamente a introdução de um banco vetorial separado.
Isso pode simplificar arquiteturas nas quais a aplicação já utiliza PostgreSQL e precisa combinar embeddings com informações relacionais.
Suas características também ajudam a entender uma diferença importante entre as tecnologias estudadas:
Chroma
→ solução orientada a armazenamento e recuperação vetorial
FAISS
→ biblioteca especializada em indexação e busca vetorial
pgvector
→ extensão do PostgreSQL que adiciona suporte a vetores
e busca por similaridade ao banco relacionalO pgvector também suporta diferentes tipos de índices para tornar a busca mais eficiente, incluindo estratégias baseadas em HNSW e IVFFlat. Essas estruturas serão importantes quando estudarmos Approximate Nearest Neighbor (ANN).
Isso conecta o conceito de Indexing aos anteriores:
Embedding Model
→ transforma chunks em vetores
pgvector
→ armazena esses vetores no PostgreSQL
Indexing
→ cria estruturas para tornar a busca mais eficiente
Vector Search
→ procura vetores semelhantes
Metadata / SQL
→ permite aplicar filtros estruturados
Retrieval
→ seleciona os chunks relevantes
LLM
→ utiliza esses chunks como contextoO ponto central é: pgvector permite que o PostgreSQL armazene e pesquise embeddings, combinando busca vetorial com os recursos tradicionais de um banco de dados relacional.