---
title: "O que é um Vector Database? Guia para empresas que usam IA"
description: "Vector database armazena dados como vetores numéricos para busca semântica em escala. Veja definição, opções (Pinecone, pgvector, Qdrant) e quando usar."
url: https://jovia.com.br/o-que-e/vector-database
updated: 2026-11-11
---

O que é Vector Database

# O que é um Vector Database? Guia para empresas que usam IA

Definição, exemplo prático, casos de uso e como começar com Vector Database — explicado para empresas brasileiras.

[Ver glossário completo](https://jovia.com.br/glossario)

## Resumo executivo

- Uso principal: Backbone de RAG (retrieval para LLM).

- 6 casos de uso e um passo a passo de 3 etapas para começar.

- Comparativo coberto: pgvector (Postgres) vs Pinecone (managed).

## O que é Vector Database?

Um Vector Database é um banco de dados especializado em armazenar e buscar vetores numéricos (embeddings) por similaridade semântica. É a infraestrutura que torna possível RAG, busca por significado e memória de longo prazo para agentes de IA.

Bancos relacionais buscam por igualdade exata (WHERE id = 123). Vector databases buscam por proximidade no espaço vetorial — encontram conteúdo conceitualmente similar mesmo com palavras diferentes. Funcionam assim: cada documento é convertido em um vetor de 256-3072 dimensões via modelo de embedding. Quando você consulta, sua pergunta também vira vetor, e o banco retorna os N vetores mais próximos usando algoritmos como HNSW ou IVF. Em escala, isso roda em milissegundos sobre milhões de registros. É a base técnica de todo sistema RAG, recomendação semântica e memória persistente de agentes.

### Exemplo prático: busca em catálogo de produtos

E-commerce com 50 mil SKUs. Cliente busca 'tênis pra correr na praia'. Busca textual tradicional não acha nada (ninguém escreve 'praia' na descrição). Com vector database (pgvector + embedding multimodal), busca retorna tênis com solado para superfícies macias, drenagem e resistência à água — produtos relevantes que NUNCA tinham essa palavra. Conversão da busca subiu 38%.

## Principais casos de uso de Vector Database

- Backbone de RAG (retrieval para LLM)

- Busca semântica em catálogos e bases de conhecimento

- Recomendação de produtos/conteúdo por similaridade

- Detecção de duplicatas e clustering de tickets

- Memória de longo prazo para agentes de IA

- Match de candidatos a vagas (HR-tech)

## Principais Vector Databases

| Critério | pgvector (Postgres) | Pinecone (managed) |
| --- | --- | --- |
| Custo entrada | Grátis (já tem Postgres) | US$ 0-70+/mês |
| Setup | Extension SQL | Conta + SDK |
| Escala (vetores) | Até ~10M com tuning | Bilhões nativo |
| Performance bruta | Boa | Excelente |
| Filtros + busca híbrida | SQL nativo (forte) | Limitado |
| Indicado para | PMEs e MVPs | Escala enterprise |

## Como começar com Vector Database

1. 1 · 1. Comece com pgvector se já tem PostgresPara 80% dos casos de PME, pgvector resolve sem custo extra. Supabase já vem com ele instalado. Crie tabela com coluna vector(1536) e índice HNSW.

2. 2 · 2. Defina dimensões do embedding antes de migrar dadosMudar dimensão depois exige reindexar tudo. text-embedding-3-small da OpenAI usa 1536; 3-large usa 3072. Escolha pensando em custo (mais dimensões = mais armazenamento) e qualidade.

3. 3 · 3. Use busca híbrida (vetor + keyword) para precisão máximaPure vector search erra em queries com termos exatos (códigos, nomes próprios). Combinar com BM25/full-text usando reciprocal rank fusion eleva precisão em 15-30%.

## Perguntas frequentes sobre Vector Database

###

Não. Para LLM puro (gerar texto, traduzir, resumir) você não precisa. Vector database vira essencial quando o LLM precisa CONSULTAR sua base de conhecimento privada (RAG) ou quando você implementa busca semântica/recomendação.

###

###

###

###

## Fontes e leitura recomendada

- [pgvector — repositório oficial](https://github.com/pgvector/pgvector)

- [Pinecone — vector DB explained](https://www.pinecone.io/learn/vector-database/)

## Termos relacionados

[RAG](https://jovia.com.br/o-que-e/rag) · [Agente de IA](https://jovia.com.br/o-que-e/agente-de-ia) · [LLM](https://jovia.com.br/o-que-e/llm) · [Glossário completo](https://jovia.com.br/glossario)

### Quer aplicar Vector Database na sua empresa?

A JOVIA implementa IA com diagnóstico, governança e ROI mensurável.

## Perguntas frequentes

### pgvector ou Pinecone — qual escolher?

Comece com pgvector. Migre para Pinecone/Qdrant/Weaviate se: (1) ultrapassar 10M de vetores, (2) precisar de latência <50ms p99, ou (3) tiver multi-tenant complexo. 95% das PMEs nunca precisam migrar.

### Quanto custa armazenar embeddings?

Cada vetor de 1536 dimensões ocupa ~6KB. 1 milhão de vetores = ~6GB. Em pgvector/Supabase, isso cabe no plano gratuito. Em Pinecone, ~US$ 70/mês para esse volume. O custo principal não é storage, é GERAR os embeddings (custo único, ~US$ 0.02 por 1M tokens).

### Vector database funciona offline / on-premise?

Sim. Qdrant, Weaviate e Milvus são open-source e rodam em sua própria infra. pgvector também. Para empresas com restrição de dados sair da rede (saúde, jurídico, governo), essa é a rota padrão.

### Como medir se a busca vetorial está boa?

Crie um conjunto de teste com 50-100 pares (pergunta → documento esperado). Meça Recall@5 (em quantas perguntas o doc certo aparece nos top 5). Acima de 85% é produção; abaixo de 70% é problema de embedding ou chunking.
