Pular para o conteúdo
ReviewRamble

A newsletter semanal

IA, analisada, na sua caixa de entrada.

  • Novas análises de ferramentas, modelos, servidores MCP e repositórios, com o veredicto logo no início
  • Preços e notas reconferidos quando algo muda
  • Novos artigos de análise assim que são publicados

Modelos, agentes, servidores MCP e as ferramentas que realmente valem seu tempo.

Um e-mail por semana. Cancele pelo link em qualquer edição. Como usamos seu e-mail

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.

Também chamado: semantic search, similarity search, dense retrieval

Por Divya Sharma · Verificado em 15 de nov. de 2026 · Como analisamos

A busca por palavra-chave encontra documentos que contêm as palavras que você digitou. A busca vetorial encontra documentos cujos embeddings ficam perto do embedding da consulta, então "carro não liga" pode corresponder a uma página chamada "Como resolver uma bateria descarregada". A proximidade é medida com similaridade de cosseno, produto escalar ou distância euclidiana.

Dense retrieval

Dense retrieval (recuperação densa) é o nome que a área de recuperação de informação dá à mesma ideia: consultas e trechos são codificados cada um em vetores densos, e a recuperação é uma busca pelos vizinhos mais próximos. O termo contrasta com a recuperação esparsa, como o BM25, em que a maioria das entradas do vetor é zero e cada uma representa uma palavra. Um artigo de 2020 sobre dense passage retrieval mostrou que essa abordagem, treinada com pares de pergunta e trecho, podia superar uma base forte de BM25 em perguntas e respostas de domínio aberto.

Como roda em escala

Comparar uma consulta com cada vetor guardado é exato, mas lento. Sistemas de produção usam índices de vizinhos mais próximos aproximados como o HNSW, geralmente dentro de um banco de dados vetorial.

Limites

A busca vetorial pode perder correspondências exatas de nomes, códigos de erro e termos raros, e sempre devolve alguma coisa, mesmo quando não existe nada relevante. Muitas equipes a combinam com busca por palavra-chave em uma busca híbrida e depois aplicam reranking.

Termos relacionados

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 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.
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.
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.
BM25
O BM25 é uma fórmula de ranqueamento para busca por palavras-chave. Ele pontua cada documento pela frequência com que as palavras da consulta aparecem nele, dando mais peso a palavras raras e menos crédito a documentos longos e termos repetidos.

Fontes