Se já leu sobre RAG, pesquisa por IA ou recomendações, é provável que tenha encontrado o termo base de dados vetorial. Aqui está a versão simples. Uma base de dados vetorial guarda dados como vetores - listas de números que captam significado - e encontra itens por similaridade, não por correspondência exata. É essa ideia única que faz a pesquisa por IA moderna parecer que o entende.
O que é, na verdade, uma base de dados vetorial
As bases de dados normais são ótimas em perguntas exatas: encontrar o utilizador com este ID, ou todas as encomendas da semana passada. Têm dificuldade com «encontra-me coisas que signifiquem o mesmo». Uma base de dados vetorial foi feita exatamente para isso.
Funciona com embeddings - as impressões digitais numéricas que um modelo de IA atribui a texto, imagens ou áudio. Itens com significado parecido ficam com vetores próximos uns dos outros. A base de dados guarda esses vetores e, quando pesquisa, devolve os mais próximos da sua pesquisa.
Como funciona a pesquisa por similaridade
O fluxo tem três passos:
- Embedding. Um modelo de embedding transforma cada documento, imagem ou frase num vetor.
- Indexação. A base de dados guarda esses vetores num índice especial (como HNSW ou IVF) para conseguir pesquisar conjuntos enormes depressa.
- Pesquisa. A sua pesquisa também é transformada em vetor. A base de dados devolve os vetores mais próximos dela por distância.
Assim, uma pesquisa por «como repor a minha palavra-passe» pode trazer à superfície um artigo chamado «recuperar um início de sessão esquecido». As palavras diferem, mas o significado - e os vetores - estão próximos.
Base de dados vetorial vs base de dados normal
Resolvem problemas diferentes, e a maioria das aplicações reais usa ambas. Uma base de dados relacional guarda os seus registos estruturados e responde a consultas exatas. Uma base de dados vetorial responde a «o que é mais parecido com isto?». Guarda as linhas de clientes numa e o significado pesquisável na outra. Ferramentas como pgvector permitem até acrescentar pesquisa vetorial a uma base de dados PostgreSQL normal, para que ambas vivam num só lugar.
Porque é que isto importa para a IA
Uma base de dados vetorial é o motor de recuperação por detrás de muita IA. Move a pesquisa semântica, as recomendações de produtos e de conteúdos e - o mais importante - o passo de recuperação no RAG, em que um assistente vai buscar texto relevante antes de responder. Sem pesquisa rápida por similaridade sobre embeddings, nenhuma dessas funcionalidades seria prática à escala.
Como a pesquisa se mantém rápida: o vizinho mais próximo aproximado
Comparar o vetor da sua pesquisa com cada um dos vetores guardados - uma pesquisa do vizinho mais próximo exata - é preciso mas lento assim que tem milhões de itens. Por isso, as bases de dados vetoriais apoiam-se em algoritmos de vizinho mais próximo aproximado (ANN). O ANN troca um pouco de precisão por um enorme ganho de velocidade: em vez de verificar cada vetor, percorre uma estrutura de índice inteligente que lhe dá quase as correspondências mais próximas, depressa.
Duas famílias de índices fazem a maior parte do trabalho:
- HNSW (Hierarchical Navigable Small World) constrói um grafo em camadas que se atravessa depressa aos saltos. É a predefinição mais comum - bom recall, baixa latência, mais memória.
- IVF (Inverted File) agrupa os vetores em compartimentos e só pesquisa nos mais próximos. Escala para conjuntos muito grandes e usa menos memória, muitas vezes combinado com compressão (PQ) para reduzir o tamanho dos vetores.
O ajuste que controla é recall contra latência: peça mais recall (mais dos verdadeiros vizinhos mais próximos) e a pesquisa trabalha mais. A distância mede-se com uma métrica - normalmente similaridade do cosseno (o ângulo entre vetores), produto escalar ou distância euclidiana (L2) - e o modelo de embedding que usa costuma impor qual é a correta.
Bases de dados vetoriais comuns - e qual escolher
Não há uma única opção «melhor»; a escolha certa depende da escala, de querer um serviço gerido ou alojar por conta própria, e de precisar dos vetores junto a dados relacionais existentes. As opções mais usadas em 2026:
| Base de dados | Modelo | Boa escolha quando… |
|---|---|---|
| pgvector | Extensão do PostgreSQL | Já usa Postgres e quer os vetores junto aos seus dados normais - uma só base de dados, sem serviço extra. |
| Chroma | Open source, incorporável | Prototipagem ou uma app pequena; rápida de arrancar localmente. |
| Qdrant | Open source, auto-alojado ou gerido | Quer filtragem rica por metadados e bom desempenho mantendo o controlo do alojamento. |
| Weaviate | Open source, auto-alojado ou gerido | Quer módulos integrados (pesquisa híbrida, vetorização) e uma abordagem orientada a esquema. |
| Milvus | Open source, feito para escala | Coleções muito grandes (centenas de milhões ou mais) e cargas de elevado débito. |
| Pinecone | Totalmente gerido (proprietário) | Quer um serviço serverless sem preocupações e prefere não gerir infraestrutura. |
Uma regra simples: comece com pgvector se já usa PostgreSQL, ou Chroma para um protótipo rápido; passe para Qdrant, Weaviate ou Milvus quando precisar de escala, filtragem ou controlo do auto-alojamento; escolha Pinecone quando quiser um serviço gerido sem operação. A maioria das equipas também usa pesquisa híbrida - combinando a similaridade vetorial com a pesquisa por palavras-chave clássica - para ter o melhor das duas.
Conclusão
Uma base de dados vetorial guarda o significado como vetores e encontra itens por similaridade em vez de correspondência exata. Não substitui a sua base de dados normal - fica ao lado dela e responde às perguntas que uma pesquisa por palavras-chave nunca conseguiria. Se está a construir algo com pesquisa semântica ou RAG, é a base de dados vetorial que faz o trabalho pesado.
Guias relacionados: O que é Engenharia de Prompt? Obter Melhores Respostas da IA (2026).
