# Banco vetorial — Vector Database > 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. **URL canônica:** https://glossario.quaerion.com.br/banco-vetorial **Categoria:** Recuperação · infraestrutura **Revisão:** 2026-09-10 ## Definição 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. ## Como funciona 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. 1. Definir documentos, identificadores, modelo de embeddings e dimensões compatíveis. 2. Armazenar vetores, referências aos originais e metadados necessários à consulta. 3. Pesquisar similaridade com índice e filtros adequados ao acervo autorizado. 4. Recuperar as fontes legíveis e validar atualização, exclusão e isolamento. ## Como medir 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. ## Exemplo didático 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. ## Perguntas frequentes ### 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. ## Limitações - 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. ## Fontes 1. [Qdrant — Overview](https://qdrant.tech/documentation/overview/) — Vetores, identificadores, coleções, metadados e recuperação por similaridade. 2. [pgvector — documentação do projeto](https://github.com/pgvector/pgvector) — Busca vetorial exata e aproximada integrada ao PostgreSQL. 3. [Qdrant — Filtering](https://qdrant.tech/documentation/search/filtering/) — Condições sobre metadados para delimitar os resultados pesquisáveis. ## Continue a leitura - [Busca híbrida](https://glossario.quaerion.com.br/busca-hibrida) - [RAG](https://glossario.quaerion.com.br/rag-retrieval-augmented-generation) - [Grounding](https://glossario.quaerion.com.br/grounding) - [Arquitetura de dados e ferramentas](https://quaerion.blog/blog/site-pronto-para-agentes-de-ia/) --- ## Sobre a Quaerion A Quaerion é uma empresa brasileira de Answer Intelligence. Integra SEO, AEO, AIO e GEO para tornar marcas encontráveis, compreensíveis, citáveis e recomendáveis por buscadores e IAs. Sites, conteúdo, dados, automação e mídia são infraestrutura de suporte. - Site: https://quaerion.com.br - Blog: https://quaerion.blog - Glossário: https://glossario.quaerion.com.br - Radar: https://radar.quaerion.com.br - Contato: contato@quaerion.com.br A Quaerion não promete controlar ranking, citação ou recomendação de plataformas de terceiros. Evidências técnicas, presença observada e resultado comercial permanecem separados.