Banco vetorial — Vector Database.
Definição direta
Banco vetorial é um sistema de armazenamento e consulta que permite recuperar registros pela proximidade entre vetores, frequentemente embeddings de textos, imagens ou outros conteúdos. Pode ser um produto especializado ou uma capacidade de um banco existente. Identificadores e metadados ligam as representações às fontes, enquanto índices e filtros influenciam velocidade, cobertura e escopo dos resultados.
O que não significa
Não é o próprio modelo de linguagem, uma cópia completa do conhecimento de uma empresa ou um mecanismo que verifica fatos. Armazenar embeddings também não elimina o documento original: a resposta precisa recuperar conteúdo legível, proveniência e regras de acesso para que similaridade matemática não seja confundida com evidência suficiente.
Mecanismo
Como funciona na prática
O acervo é transformado em representações compatíveis com o modelo de embeddings escolhido e associado a identificadores persistentes. A consulta usa uma representação no mesmo espaço para buscar vizinhos próximos. Dependendo da implementação, a busca é exata ou aproximada. Metadados permitem restringir o universo pesquisável por atributos, como coleção, versão ou autorização.
- 01
Definir documentos, identificadores, modelo de embeddings e dimensões compatíveis.
- 02
Armazenar vetores, referências aos originais e metadados necessários à consulta.
- 03
Pesquisar similaridade com índice e filtros adequados ao acervo autorizado.
- 04
Recuperar as fontes legíveis e validar atualização, exclusão e isolamento.
Medição
Como verificar sem extrapolar a evidência
Compare a busca aproximada com uma referência exata em uma amostra controlada. Registre recall, latência, uso de memória e atraso entre atualização do documento e disponibilidade no índice. Teste exclusões e consultas entre organizações distintas. Uma recuperação rápida que devolve material revogado ou pertencente a outro cliente não atende ao requisito operacional.
- 01Publicado
- 02Validado
- 03Observado
- 04Verificado
Uma etapa anterior não comprova automaticamente a seguinte.
Exemplo didático
Como isso aparece numa situação prática?
Uma empresa organiza manuais de produtos em um banco com vetores, título, versão e localização do arquivo. Ao perguntar sobre manutenção, o assistente recupera passagens próximas e mostra suas fontes. Se um manual é substituído, a equipe precisa atualizar o índice e impedir que a versão retirada continue alimentando respostas atuais. Em uma plataforma com várias empresas, também testa se uma consulta de um cliente jamais recebe documentos de outro. Essas verificações avaliam o sistema completo, não somente a presença de um banco vetorial.
Exemplo explicativo; não é caso de cliente nem resultado certificado.
Conceitos próximos
Funções diferentes exigem evidências diferentes
- Embedding
- É a representação numérica gerada para um conteúdo.
- Índice vetorial
- É a estrutura usada para acelerar a busca por similaridade.
- Banco vetorial
- Administra registros, consultas e recursos operacionais além da representação.
Comparação conceitual, não ranking de produtos.
Perguntas
Perguntas frequentes sobre Banco vetorial — Vector Database
Um banco relacional pode fazer busca vetorial?
Sim, quando possui a extensão ou capacidade adequada. O pgvector, por exemplo, acrescenta operações de similaridade ao PostgreSQL. A escolha entre capacidade integrada e produto dedicado depende das necessidades e da operação existente.
Embeddings são dados anônimos por definição?
Não se deve presumir anonimato só porque o conteúdo virou números. Avalie o conteúdo de origem, os vínculos com pessoas, as permissões e o risco de recuperação. Trate também metadados e documentos associados.
Trocar o modelo de embeddings exige cuidado com o índice?
Sim. Versão, dimensões e espaço de representação precisam permanecer compatíveis. Planeje a migração, teste a nova recuperação e mantenha uma forma de retornar à configuração anterior caso a relevância piore.
Governança
Limitações que acompanham a definição
- Vetores produzidos por modelos incompatíveis não devem ser misturados como se compartilhassem o mesmo espaço.
- Similaridade elevada não comprova exatidão, atualidade nem permissão de uso do documento recuperado.
- Índices aproximados e filtros podem reduzir cobertura; medir apenas velocidade oculta perdas relevantes.
O que conferir antes de aplicar
- Versionar o modelo de embeddings.
- Testar exclusão e isolamento entre coleções.
- Comparar cobertura, latência e custo de armazenamento.
Evidências
Fontes utilizadas nesta página
As referências priorizam documentação oficial, pesquisa original e metodologia pública. Cada fonte sustenta uma parte identificável da definição, do mecanismo ou dos limites. O link não significa que o provedor endosse a Quaerion nem que tenha adotado nossa terminologia.
- 01Qdrant — Overview
Vetores, identificadores, coleções, metadados e recuperação por similaridade.
- 02pgvector — documentação do projeto
Busca vetorial exata e aproximada integrada ao PostgreSQL.
- 03Qdrant — Filtering
Condições sobre metadados para delimitar os resultados pesquisáveis.
