Vector DBs: pgvector, Pinecone, Weaviate, Qdrant

⏱ 14 min·⭐ 60 XP

Pré-requisitos (0/1)0%

⬜🪨 SQLite moderno: edge, mobile e backend 2026(NoSQL + Vector Databases)

Recomendamos completar os pré-requisitos antes de seguir, mas nada te impede de continuar.

Vector DB é infra especializada

📋 Banco vetorial dedicado ou extensão no banco que você já tem

✓ A extensão, até doer

Manter um sistema a mais custa operação, sincronização e mais um ponto de falha. Com até alguns milhões de vetores e filtro por permissão no mesmo banco, a extensão resolve — e a consulta faz junção com o dado relacional numa transação só, o que um sistema separado não permite.

Alt: Dedicado desde o início — Paga operação e sincronização antes de precisar da escala

Alt: Índice em memória no processo — Rápido e some no reinício; sem filtro por permissão

Alt: Serviço gerenciado — Some a operação e volta o problema de manter dois lugares em sincronia

Um vetor de embedding é um ponto num espaço de 384 a 3072 dimensões. Buscar "os 10 mais próximos desta query" num milhão de pontos por força bruta é O(N) com cálculo denso — inviável em latência de produto. Vector DBs resolvem isso com indexes ANN (Approximate Nearest Neighbor): HNSW, IVF, PQ. Recall < 100% trocado por latência p99 de milissegundos.

pgvector em Postgres real

-- Habilita extensao
CREATE EXTENSION IF NOT EXISTS vector;

-- Tabela com embedding + metadata relacional
CREATE TABLE documents (
    id          BIGSERIAL PRIMARY KEY,
    tenant_id   INT NOT NULL,
    title       TEXT NOT NULL,
    content     TEXT NOT NULL,
    embedding   vector(1536) NOT NULL,    -- OpenAI text-embedding-3-small
    created_at  TIMESTAMPTZ DEFAULT now()
);

-- Indice HNSW (Hierarchical Navigable Small World)
-- Melhor recall/latencia em 2026. IVFFlat e alternativa mais barata de build.
CREATE INDEX documents_embedding_hnsw
    ON documents
    USING hnsw (embedding vector_cosine_ops)
    WITH (m = 16, ef_construction = 64);

-- Index combinado para filtro por tenant (partial index)
CREATE INDEX documents_tenant ON documents (tenant_id);

-- Analyze para planner usar estatisticas
ANALYZE documents;

Busca: ANN + filtro + rerank

-- Top 50 mais proximos do embedding da query, dentro do tenant
-- ef_search controla qualidade vs latencia (default 40, prod 100+)
SET LOCAL hnsw.ef_search = 100;

SELECT id, title, content,
       1 - (embedding <=> $1::vector) AS cosine_similarity
FROM documents
WHERE tenant_id = $2
ORDER BY embedding <=> $1::vector
LIMIT 50;

import OpenAI from 'openai';
import { CohereClient } from 'cohere-ai';

const openai = new OpenAI();
const cohere = new CohereClient({ text: process.env.COHERE_API_KEY! });

async function semanticSearch(query: string, tenantId: number) {
  // 1) Embed a query
  const emb = await openai.embeddings.create({
    model: 'text-embedding-3-small',
    input: query,
  });
  const vec = emb.data[0].embedding;

  // 2) Top-50 via pgvector
  const candidates = await db.query(
    'SELECT id, title, content FROM documents WHERE tenant_id = $1 ' +
    'ORDER BY embedding <=> $2::vector LIMIT 50',
    [tenantId, toPgVector(vec)]
  );

  // 3) Rerank cross-encoder -> top-5 reais
  const rerank = await cohere.rerank({
    model: 'rerank-multilingual-v3.0',
    query,
    documents: candidates.rows.map(r => r.content),
    topN: 5,
  });

  return rerank.results.map(r => candidates.rows[r.index]);
}

💡

O pipeline de 2 estágios (ANN recall + reranker precision) é o que separa RAG de brinquedo de RAG que responde bem. Sem reranker, você devolve documentos semanticamente próximos mas não necessariamente relevantes para a intenção.

Quiz rápido

Quando manter os vetores no banco relacional existente é a melhor escolha?

Quando migrar de pgvector para dedicado

# Regras de migração

pgvector basta se:
  - < 5M vetores
  - ja tem Postgres gerenciado
  - filtro metadata relacional importa
  - p99 < 200ms tolerado

considere Pinecone/Qdrant/Weaviate se:
  - > 10M vetores
  - multi-tenant com isolamento hard
  - hybrid search (BM25 + dense) nativo
  - p99 < 50ms obrigatorio
  - replicacao geografica gerenciada

considere Milvus/Vespa se:
  - > 100M vetores, self-hosted
  - features avancadas (filtering DSL, analytics)
  - time dedicado pra operar

Anti-patterns comuns

⚠️

Embeddings de modelos diferentes não são comparáveis — nunca misture OpenAI com Cohere no mesmo índice. Chunks muito grandes (> 1000 tokens) viram embedding genérico. Chunks muito pequenos (< 50 tokens) perdem contexto. Metadata filter mal indexado degrada ANN. Reranker custa dinheiro — use apenas no top-50, não em tudo.

✅

Vector DB é infraestrutura de busca semântica. Dominar pgvector primeiro (simples, barato) e migrar para dedicado quando a dor chegar é o caminho sensato em 2026.

Perguntas frequentes

❓ Quando o Postgres com extensão de vetor basta?

Quando o volume de vetores cabe na instância e você já opera Postgres: uma peça a menos, transação junto do dado relacional e filtro por metadado no mesmo lugar. Passa a não bastar quando o índice não cabe em memória ou você precisa de recurso específico que a extensão não tem.

❓ Qual a diferença entre os tipos de índice vetorial?

O de grafo hierárquico dá recall alto com consulta rápida e custa memória e tempo de construção; o baseado em partição por agrupamento é mais econômico e exige treinar o índice, com recall sensível ao número de partições varridas. A escolha é entre memória e recall.

❓ Como escolher entre serviços de banco vetorial?

Pelo modelo de operação antes do recurso: gerenciado quando você não quer operar índice, auto-hospedado quando custo em escala manda ou o dado não pode sair. Os recursos convergiram; o que diferencia na prática é filtro por metadado com desempenho e custo por milhão de vetores.

Fixando

Quiz rápido

O que indica que é hora de migrar para um banco vetorial dedicado?

Quiz rápido

Por que a busca aproximada é aceitável na maioria dos casos de recuperação?

Terminou de ler?

Marcar como concluído registra o XP, mantém sua sequência e coloca 3 cartas deste módulo na fila de revisão espaçada.

Próximos passos sugeridos

🏁

Capstone: arquitetura multi-DB real

NoSQL + Vector Databases · 20 min · +85 XP

→

Temas deste módulo

Discussão

Carregando comentários…

Vector DBs: pgvector, Pinecone, Weaviate, Qdrant

⏱ 14 min·⭐ 60 XP

Pré-requisitos (0/1)0%

⬜🪨 SQLite moderno: edge, mobile e backend 2026(NoSQL + Vector Databases)

Recomendamos completar os pré-requisitos antes de seguir, mas nada te impede de continuar.

Vector DB é infra especializada

📋 Banco vetorial dedicado ou extensão no banco que você já tem

✓ A extensão, até doer

Alt: Dedicado desde o início — Paga operação e sincronização antes de precisar da escala

Alt: Índice em memória no processo — Rápido e some no reinício; sem filtro por permissão

Alt: Serviço gerenciado — Some a operação e volta o problema de manter dois lugares em sincronia

pgvector em Postgres real

-- Habilita extensao
CREATE EXTENSION IF NOT EXISTS vector;

-- Tabela com embedding + metadata relacional
CREATE TABLE documents (
    id          BIGSERIAL PRIMARY KEY,
    tenant_id   INT NOT NULL,
    title       TEXT NOT NULL,
    content     TEXT NOT NULL,
    embedding   vector(1536) NOT NULL,    -- OpenAI text-embedding-3-small
    created_at  TIMESTAMPTZ DEFAULT now()
);

-- Indice HNSW (Hierarchical Navigable Small World)
-- Melhor recall/latencia em 2026. IVFFlat e alternativa mais barata de build.
CREATE INDEX documents_embedding_hnsw
    ON documents
    USING hnsw (embedding vector_cosine_ops)
    WITH (m = 16, ef_construction = 64);

-- Index combinado para filtro por tenant (partial index)
CREATE INDEX documents_tenant ON documents (tenant_id);

-- Analyze para planner usar estatisticas
ANALYZE documents;

Busca: ANN + filtro + rerank

-- Top 50 mais proximos do embedding da query, dentro do tenant
-- ef_search controla qualidade vs latencia (default 40, prod 100+)
SET LOCAL hnsw.ef_search = 100;

SELECT id, title, content,
       1 - (embedding <=> $1::vector) AS cosine_similarity
FROM documents
WHERE tenant_id = $2
ORDER BY embedding <=> $1::vector
LIMIT 50;

import OpenAI from 'openai';
import { CohereClient } from 'cohere-ai';

const openai = new OpenAI();
const cohere = new CohereClient({ text: process.env.COHERE_API_KEY! });

async function semanticSearch(query: string, tenantId: number) {
  // 1) Embed a query
  const emb = await openai.embeddings.create({
    model: 'text-embedding-3-small',
    input: query,
  });
  const vec = emb.data[0].embedding;

  // 2) Top-50 via pgvector
  const candidates = await db.query(
    'SELECT id, title, content FROM documents WHERE tenant_id = $1 ' +
    'ORDER BY embedding <=> $2::vector LIMIT 50',
    [tenantId, toPgVector(vec)]
  );

  // 3) Rerank cross-encoder -> top-5 reais
  const rerank = await cohere.rerank({
    model: 'rerank-multilingual-v3.0',
    query,
    documents: candidates.rows.map(r => r.content),
    topN: 5,
  });

  return rerank.results.map(r => candidates.rows[r.index]);
}

💡

Quiz rápido

Quando manter os vetores no banco relacional existente é a melhor escolha?

Quando migrar de pgvector para dedicado

# Regras de migração

pgvector basta se:
  - < 5M vetores
  - ja tem Postgres gerenciado
  - filtro metadata relacional importa
  - p99 < 200ms tolerado

considere Pinecone/Qdrant/Weaviate se:
  - > 10M vetores
  - multi-tenant com isolamento hard
  - hybrid search (BM25 + dense) nativo
  - p99 < 50ms obrigatorio
  - replicacao geografica gerenciada

considere Milvus/Vespa se:
  - > 100M vetores, self-hosted
  - features avancadas (filtering DSL, analytics)
  - time dedicado pra operar

Anti-patterns comuns

⚠️

✅

Vector DB é infraestrutura de busca semântica. Dominar pgvector primeiro (simples, barato) e migrar para dedicado quando a dor chegar é o caminho sensato em 2026.

Perguntas frequentes

❓ Quando o Postgres com extensão de vetor basta?

❓ Qual a diferença entre os tipos de índice vetorial?

❓ Como escolher entre serviços de banco vetorial?

Fixando

Quiz rápido

O que indica que é hora de migrar para um banco vetorial dedicado?

Quiz rápido

Por que a busca aproximada é aceitável na maioria dos casos de recuperação?

Terminou de ler?

Marcar como concluído registra o XP, mantém sua sequência e coloca 3 cartas deste módulo na fila de revisão espaçada.

Próximos passos sugeridos

🏁

Capstone: arquitetura multi-DB real

NoSQL + Vector Databases · 20 min · +85 XP

→

Temas deste módulo

Discussão

Carregando comentários…