← Voltar para o Dia 4: RAG: finalmente
Weaviate
O que é
Weaviate é um banco de dados vetorial que permite armazenar, indexar e pesquisar embeddings, sendo bastante utilizado em aplicações de RAG, busca semântica e sistemas de recomendação.
No contexto de Indexing, o Weaviate recebe os vetores gerados pelo modelo de embeddings e cria as estruturas necessárias para localizar rapidamente os vetores mais semelhantes a uma consulta.
Além do vetor, cada objeto pode armazenar os dados originais e propriedades estruturadas, como título, categoria, página, data ou identificador do documento.
Uma representação simplificada seria:
Chunk
↓
Embedding Model
↓
Vector Embedding
↓
Weaviate
├── Vector
├── Properties
└── IndexAssim como Qdrant, Pinecone e outras soluções, o Weaviate não é o processo de indexing em si. Ele é uma tecnologia que armazena os dados e fornece mecanismos de indexação e busca.
Como funciona
Imagine uma coleção com milhares de trechos de documentos.
Cada trecho é transformado em um vetor:
"Funcionários devem solicitar férias..."
↓
[0.21, -0.73, 0.45, ...]O Weaviate armazena esse vetor junto com as informações relacionadas:
Objeto
├── Vector
└── Properties
├── conteúdo
├── documento
├── página
├── seção
└── anoQuando o usuário faz uma pergunta, ela também é transformada em um vetor:
Pergunta
↓
Embedding Model
↓
Query Vector
↓
Weaviate
↓
Vetores mais semelhantes
↓
Chunks relevantesO sistema pode então utilizar esses chunks como contexto para o LLM.
Um ponto importante é que o Weaviate também permite trabalhar com filtros estruturados. Assim, uma busca pode combinar similaridade vetorial com informações armazenadas nas propriedades.
Por exemplo:
Pergunta:
"Qual é a política de férias?"
Busca semântica
+
Filtro: ano = 2026
↓
Weaviate
↓
Documentos semanticamente relevantes
e pertencentes ao ano de 2026Isso é particularmente útil em RAG, porque a similaridade semântica sozinha pode não ser suficiente para selecionar a informação correta.
Um exemplo
Imagine uma empresa que possui 100 mil documentos internos.
Durante a ingestão:
Documentos
↓
Parsing
↓
Cleaning
↓
Chunking
↓
Embedding Model
↓
Vector Embeddings
↓
WeaviateUm chunk poderia ser armazenado aproximadamente assim:
ID:
chunk_84721
Vector:
[0.18, -0.42, 0.71, ...]
Properties:
{
"content": "As férias devem ser solicitadas com 30 dias de antecedência.",
"document": "politica_ferias.pdf",
"section": "Férias",
"page": 4,
"year": 2026
}Depois, o usuário pergunta:
"Com quanto tempo de antecedência preciso solicitar minhas férias?"A pergunta é transformada em embedding e enviada ao Weaviate.
O sistema procura vetores semanticamente próximos e pode retornar o chunk correspondente à política de férias.
O resultado então segue para o LLM:
Pergunta
↓
Embedding
↓
Weaviate
↓
Chunks relevantes
↓
Contexto
↓
LLM
↓
RespostaPor que é importante
O Weaviate é importante porque combina armazenamento de dados, indexação vetorial e mecanismos de busca em uma infraestrutura voltada para aplicações que precisam encontrar informações semanticamente relacionadas.
Dentro de um sistema RAG, ele pode assumir uma posição como esta:
Ingestion
↓
Parsing
↓
Cleaning
↓
Chunking
↓
Embedding
↓
Weaviate
↓
Vector Search
↓
Retrieval
↓
LLMEle também ajuda a entender uma distinção importante:
| Conceito | Função |
|---|---|
| Embedding Model | Transforma conteúdo em vetores |
| Vector Embedding | Representa semanticamente o conteúdo |
| Weaviate | Armazena, indexa e pesquisa vetores |
| Vector Index | Estrutura usada para acelerar a busca |
| Vector Search | Procura vetores semelhantes |
| Retrieval | Seleciona informações para fornecer ao LLM |
O Weaviate pode trabalhar com diferentes formas de busca e indexação, incluindo estruturas voltadas para Approximate Nearest Neighbor, conceito que será importante para entender como bancos vetoriais conseguem pesquisar grandes quantidades de embeddings sem comparar necessariamente a consulta com todos os vetores.
A ideia central é: Weaviate é uma infraestrutura de banco de dados vetorial que organiza embeddings e seus metadados para permitir buscas semânticas eficientes, sendo uma das opções que podem ser utilizadas na etapa de indexing de um sistema RAG.