Pular para o conteúdo
LabS Atlas
Agentic AI
Entrar

Banco Vetorial

Ir para notas que citam esta
atualizado há 25 diasEntre para perguntar ao Labinho sobre esta notaO Labinho é o assistente que responde com as notas e as sessões do LabS e mostra de onde tirou cada resposta.

Banco Vetorial é o armazenamento que guarda textos convertidos em vetores numéricos e os busca por similaridade. É a peça do RAG que devolve os trechos de documento mais próximos da pergunta.

No RAG, os documentos são divididos em pedaços pelo Chunking, cada pedaço vira um vetor pelo modelo de Embeddings e o conjunto vai para o banco vetorial. Na consulta, a pergunta do usuário também vira vetor, e o banco devolve os vizinhos mais próximos. Quem faz o cálculo de proximidade é o banco, não o modelo de linguagem: o modelo só converte texto em vetor, na indexação e na pergunta.

O que cada registro guarda

A unidade de armazenamento é um ponto com três partes: um identificador, o vetor e um payload. O payload é um campo livre, definido na indexação, que costuma levar o nome do arquivo de origem e o texto original do trecho. Ele é indispensável: o vetor sozinho não significa nada para um LLM, e é o texto recuperado que entra no contexto da resposta.

Os pontos ficam numa coleção, o equivalente a uma tabela. Antes de inserir, é preciso garantir que a coleção existe e criá-la com o tamanho de vetor do modelo de embedding (3072 dimensões num dos exemplos) e a métrica de distância, em geral a Similaridade de Cosseno. O mesmo modelo de embedding precisa ser usado para indexar e para consultar; trocar o modelo quebra a busca ou dessincroniza os resultados.

Os pontos que aparecem no painel de um banco vetorial são os chunks e seus vetores, não checkpoints de execução do agente.

Opções de banco e o que muda entre elas

A escolha é flexível, e o que muda é sobretudo a instalação e a manutenção:

OpçãoComo rodaObservação
QdrantLocal via Docker ou serviçoPainel mostra vizinhos e grau de similaridade; limpeza de coleção inteira
ChromaDBLocal, gravando arquivos na própria máquinaDispensa criar conta em serviço externo
pgvector / SupabasePostgres com extensão de vetorA extensão precisa ser habilitada; sem nós prontos, a estrutura exige SQL manual
Simple Vector Store (N8N)Dentro da plataformaBom para começar, pouco prático para manter documentos atualizados

O N8N oferece nós prontos também para Redis, Pinecone e MongoDB Atlas.

Dados estruturados não precisam ir para o banco vetorial. Numa loja de jogos, preço e estoque ficaram num banco relacional local, e o banco vetorial guardou só o conteúdo dos manuais para busca semântica.

Problemas comuns de manutenção

O banco não se atualiza sozinho

Alterar um documento na pasta de origem não altera o banco. Enquanto a ingestão não roda de novo, o agente continua respondendo com o conteúdo antigo ou sem o novo.

Reprocessar o mesmo arquivo sem limpar a coleção gera Duplicação de Embeddings e Chunks: a busca devolve cópias do mesmo trecho, com similaridade alta entre si, em vez de trechos complementares. As saídas são limpar a coleção em testes, usar o nome do arquivo como identificador para que o novo envio substitua o anterior, ou guardar um hash do conteúdo de cada arquivo e pular os que não mudaram.

A busca também precisa de um limite de resultados. O painel mostra poucos vizinhos, mas quase todo ponto tem algum grau de proximidade com a consulta, então é a aplicação que define quantos resultados relevantes trazer.