O que é banco de dados vetorial e para que serve

Bancos de dados tradicionais procuram por palavras exatas ou valores: "cliente = João", "preço maior que 100". Um banco de dados vetorial procura por significado. Ele encontra textos, imagens ou documentos parecidos com a pergunta, mesmo que não usem as mesmas palavras. É a tecnologia que permite a uma IA achar o trecho certo de um manual para responder a uma dúvida.

Resposta rápida

Um banco de dados vetorial armazena embeddings, que são representações numéricas do significado de um conteúdo, e encontra rapidamente os itens mais parecidos com uma consulta. Ele é a base da busca semântica, do RAG e de muitos agentes de IA.

O que são embeddings

Um embedding é uma lista de números (um vetor) que representa o significado de um texto, de uma imagem ou de outro dado. Conteúdos com sentido parecido geram vetores próximos. Por exemplo, "como cancelar meu plano" e "quero encerrar a assinatura" ficam próximos, mesmo sem palavras em comum.

Como funciona

1. Preparação: os documentos são divididos em trechos.
2. Vetorização: cada trecho vira um embedding, gerado por um modelo de IA.
3. Armazenamento: os vetores são guardados no banco, junto com o texto original e metadados (autor, data, permissões).
4. Consulta: a pergunta do usuário também vira um vetor.
5. Busca por similaridade: o banco devolve os trechos mais próximos, que são enviados ao modelo de IA para gerar a resposta.

Para que serve

Tipos de solução

• Bancos vetoriais dedicados: serviços criados só para vetores, como Pinecone, Weaviate, Qdrant e Milvus.
• Extensões em bancos que você já usa: o PostgreSQL com a extensão pgvector, disponível em serviços como o Supabase, e recursos vetoriais em outros bancos e mecanismos de busca.

Para muitos projetos, começar com pgvector no banco que já existe é mais simples e barato. Bancos dedicados ajudam em volumes muito grandes ou necessidades específicas de desempenho. Veja Supabase vs Firebase.

Cuidados

• Qualidade dos documentos: a busca só é tão boa quanto o conteúdo indexado.
• Divisão em trechos: trechos grandes demais ou pequenos demais pioram os resultados.
• Permissões: guarde metadados de acesso para a IA não mostrar a um usuário o que ele não pode ver.
• Atualização: defina como documentos novos, alterados e removidos entram ou saem do índice.
• Dados pessoais: aplique as regras da LGPD também aos vetores e ao texto armazenado.

Perguntas frequentes

Banco vetorial substitui o banco de dados tradicional?

Não. Ele complementa. Dados transacionais (pedidos, clientes, financeiro) continuam no banco tradicional.

Preciso de um banco vetorial para usar IA?

Não para todo uso. Ele é necessário quando a IA precisa buscar informação em um volume grande de documentos.

Qual banco vetorial escolher?

Depende do volume, do orçamento e da infraestrutura atual. Se você já usa PostgreSQL, a extensão pgvector costuma ser um bom ponto de partida.

Embeddings guardam o texto original?

O vetor em si não é o texto, mas o banco normalmente guarda os dois lado a lado. Trate ambos como dados sensíveis quando o conteúdo for sensível.

Veja também como os agentes usam esse tipo de memória em agentes de IA para empresas.

Conclusão

O banco de dados vetorial é o que permite à IA encontrar a informação certa pelo significado. Ele é a peça central de RAG, busca semântica e agentes que trabalham com os documentos da empresa.