Banco de dados vetorial
Um banco de dados vetorial (vector database) armazena embeddings junto com seus registros de origem e encontra os vetores guardados mais próximos de um vetor de consulta, geralmente com um índice aproximado para que a busca continue rápida em milhões de itens.
Também chamado: vector store, vector DB
Por Divya Sharma · Verificado em 15 de nov. de 2026 · Como analisamos
Um banco de dados comum responde a "encontre as linhas em que status = open". Um banco de dados vetorial responde a "encontre os itens mais parecidos com este", em que a similaridade é medida entre embeddings. Ele é a camada de armazenamento por trás da maioria dos sistemas de retrieval-augmented generation, da busca semântica e dos recursos de recomendação.
O que ele faz
Ele guarda cada vetor com um ID e metadados como origem, data ou dono. Ele constrói um índice, muitas vezes HNSW, para busca de vizinhos mais próximos aproximados. Ele também cuida de inserções, atualizações e exclusões, e permite combinar similaridade com filtragem por metadados.
Opções
Alguns produtos são feitos só para vetores, como Pinecone, Qdrant e Milvus. Outros adicionam busca vetorial a um banco de dados que você talvez já use, como o pgvector para Postgres. Bibliotecas como a Faiss fornecem o índice sem as partes de banco de dados, então você cuida de armazenamento, atualizações e filtragem por conta própria. O guia de bancos de dados vetoriais compara as opções.
Como difere de um índice vetorial
Um índice é a estrutura de dados que torna a busca rápida. Um banco de dados envolve esse índice com durabilidade, controle de acesso, replicação e uma API. Para um protótipo com alguns milhares de vetores, um índice em memória ou até uma varredura por força bruta muitas vezes basta.
Limites
Os resultados são aproximados, então uma pequena parcela dos vizinhos verdadeiros pode ficar de fora. Muitos produtos também suportam busca por palavra-chave ou busca híbrida, o que ajuda com termos exatos que os embeddings tratam mal.
Termos relacionados
- HNSW
- O HNSW (hierarchical navigable small world) é um índice baseado em grafos para busca aproximada de vizinhos mais próximos. Ele liga os vetores a seus vizinhos em várias camadas, para que uma busca possa saltar rapidamente em direção às correspondências mais próximas.
- Embedding
- Um embedding (representação vetorial) é uma lista de números (um vetor) que representa um trecho de texto, uma imagem ou outros dados, produzida de forma que itens com significado parecido acabem com vetores próximos entre si.
- Busca aproximada de vizinhos mais próximos
- A busca aproximada de vizinhos mais próximos (approximate nearest neighbor, ANN) encontra vetores próximos a uma consulta sem verificar cada vetor armazenado. Ela abre mão da garantia da melhor correspondência exata em troca de uma busca muito mais rápida em grandes coleções.
- Busca vetorial
- A busca vetorial (vector search) encontra itens comparando seus embeddings com o embedding de uma consulta e devolvendo os mais próximos, para que os resultados correspondam pelo significado e não por palavras-chave em comum.
- Filtragem por metadados
- A filtragem por metadados (metadata filtering) limita uma busca a itens cujos atributos armazenados, como data, autor, idioma ou grupo de acesso, atendem a condições dadas, junto com ou antes de ordená-los por similaridade vetorial.
- Busca híbrida
- A busca híbrida (hybrid search) faz uma busca por palavras-chave e uma busca vetorial na mesma consulta e mescla as duas listas ordenadas, para que os resultados possam corresponder tanto às palavras exatas quanto ao significado.