O que é um banco de dados vetorial real?
Este artigo foi originalmente publicado em The New Stack e republicado aqui com permissão.
O surgimento do ChatGPT sinaliza o início de uma nova era da inteligência artificial (IA). A IA está revolucionando tudo, com os bancos de dados vetoriais se tornando uma infraestrutura essencial na nova era. Essa tendência não é surpreendente, dada a crescente demanda por aplicações baseadas em IA.
No post anterior, apresentamos os dados não estruturados e seu processamento, análise e consulta. Este post se aprofundará nos bancos de dados vetoriais, suas distinções em relação aos métodos tradicionais de recuperação vetorial e como selecionar o banco de dados vetorial ideal para seu projeto.
O que é um banco de dados vetorial?
Para responder à pergunta: o que é um banco de dados vetorial, você deve conhecer o papel de um banco de dados relacional tradicional, que armazena e processa dados com formatos predefinidos em tabelas e geralmente realiza buscas precisas.
Em contraste, bancos de dados vetoriais armazenam e recuperam dados não estruturados, como imagens, áudio, vídeos e texto, por meio de valores de alta dimensionalidade chamados embeddings. Bancos de dados vetoriais são frequentemente usados para buscas por similaridade usando o algoritmo Approximate Nearest Neighbor (ANN). Esse algoritmo organiza os dados com base em relações espaciais e permite encontrar o vizinho mais próximo de um determinado ponto de consulta em um grande conjunto de dados de pontos.
Com a ascensão do ChatGPT, os bancos de dados vetoriais se tornaram ainda mais essenciais para resolver problemas enfrentados por grandes modelos de linguagem (LLMs).
Bancos de dados vetoriais vs. bibliotecas de busca vetorial
Bancos de dados vetoriais especializados não são a única pilha para buscas por similaridade. Antes do advento dos bancos de dados vetoriais, havia muitas bibliotecas de busca vetorial, como FAISS, ScaNN e HNSW, para recuperação vetorial. Ambas as pilhas podem consultar vetores, mas quais são as diferenças?
Bibliotecas de busca vetorial têm funcionalidade limitada. Elas só conseguem lidar com uma pequena quantidade de dados e têm dificuldade para escalar com conjuntos de dados maiores e maior demanda dos usuários. Elas não permitem quaisquer modificações em seus dados de índice e não podem ser consultadas durante a importação de dados.
Em contraste, bancos de dados vetoriais como Milvus e Zilliz Cloud são uma solução mais ideal para armazenamento e recuperação de dados não estruturados. Eles podem armazenar e consultar milhões ou até bilhões de vetores, fornecendo respostas em tempo real simultaneamente; são altamente escaláveis para atender às crescentes necessidades de negócios dos usuários.
Bancos de dados vetoriais especializados oferecem muitos recursos amigáveis ao usuário, incluindo suporte a CRUD (criar, ler, atualizar e excluir), recuperação de desastres, controle de acesso baseado em funções e multilocação. Muitos provedores de bancos de dados vetoriais, como a Zilliz, também oferecem serviços em nuvem totalmente gerenciados para ajudar os usuários a eliminar o fardo do trabalho de manutenção e se concentrar em seus negócios.
Além disso, bancos de dados vetoriais operam em uma camada de abstração diferente das bibliotecas de busca vetorial, servindo como serviços completos em vez de componentes para integração. Para ilustrar a importância dessa abstração, vamos examinar o processo de adicionar um elemento de dados não estruturados a um banco de dados vetorial como o Milvus.
from pymilvus import Collectioncollection = Collection('book')mr = collection.insert(data)
Como você pode ver, inserir dados não estruturados no Milvus é super fácil com apenas três linhas de código. No entanto, é complicado ao usar bibliotecas como FAISS ou ScaNN. Essas bibliotecas exigem recriar manualmente todo o índice em pontos de verificação.
Bancos de dados vetoriais vs. plugins de busca vetorial
À medida que os bancos de dados vetoriais ganham atenção, muitos bancos de dados e sistemas de busca convencionais, como Clickhouse, Elasticsearch, MongoDB e Databricks, estão correndo para integrar plugins de busca vetorial integrados. O Elasticsearch 8.0, por exemplo, atualizou recursos como inserção de vetores e busca ANN que podem ser acessados por meio de endpoints de API RESTful.
No entanto, é importante observar que os plugins de busca vetorial não oferecem uma abordagem abrangente para o gerenciamento de embeddings e a busca vetorial. Eles são meramente complementos para sistemas existentes, o que pode limitar seu desempenho em termos de latência, capacidade e throughput. Tentar criar aplicações de dados não estruturados sobre um banco de dados tradicional é como encaixar baterias de lítio e motores elétricos dentro da estrutura de um carro movido a gasolina, o que não é uma ótima ideia.
Bancos de dados vetoriais são essenciais para o aumento de LLMs
Com LLMs e aplicações de IA prosperando, os bancos de dados vetoriais estão se tornando uma infraestrutura vital para stacks tecnológicos relacionados à IA.
Embora os LLMs sejam impressionantes na geração de conteúdo, eles têm muitas limitações. Por exemplo, são suscetíveis a alucinações devido à falta de conhecimento atualizado e específico do domínio. Pior ainda, o limite de tokens dos LLMs impede que você adicione informações contextuais extensas aos prompts ao fazer consultas.
Um banco de dados vetorial pode servir como memória de longo prazo dos LLMs e expandir a base de conhecimento dos LLMs. Ele armazena dados privados ou informações específicas do domínio fora do LLM como embeddings. Quando um usuário faz uma pergunta, o banco de dados vetorial procura os resultados topk mais relevantes para essa pergunta. Então, os resultados são combinados com a consulta original para criar um prompt que fornece um contexto abrangente para que o LLM gere respostas mais precisas. Essa solução também é conhecida como uma stack CVP (ChatGPT/LLMs + banco de dados vetorial + prompt-as-code).
Os LLMs cobram por cada token nas consultas. Portanto, se os usuários fizerem perguntas semelhantes ou repetitivas, serão cobrados várias vezes, resultando em altos custos. Durante horários de pico, as respostas podem ser muito lentas. Para economizar tempo e esforço, os desenvolvedores podem integrar um banco de dados vetorial ao GPTCache, um cache semântico de código aberto que armazena respostas de LLMs. Dessa forma, quando o usuário faz uma pergunta que o LLM respondeu antes, o banco de dados vetorial recupera as respostas do GPTCache e as retorna rapidamente aos usuários sem chamar o LLM.
Arquitetura do OSS Chat
O gráfico acima mostra a arquitetura do OSS Chat, um Chatbot de IA que aproveita o Zilliz Cloud e o GPTCache.
Além do aumento de LLM, os bancos de dados vetoriais são valiosos para muitos casos de uso, incluindo sistemas de recomendação, buscas por similaridade de imagem/áudio/vídeo/texto, detecção de anomalias, sistemas de perguntas e respostas e buscas por similaridade molecular.
Como escolher o banco de dados vetorial mais adequado para o seu projeto?
Você está com dificuldade para escolher um banco de dados vetorial adequado para seus projetos? Com inúmeras opções disponíveis, isso pode ser avassalador. Felizmente, há uma solução para ajudá-lo a tomar uma decisão informada.
VectorDBBench é uma ferramenta de benchmarking de código aberto para bancos de dados vetoriais. Ela avalia vários sistemas de bancos de dados vetoriais em relação a QPS, latência, capacidade e outras métricas. É escrita em Python e licenciada sob a licença de código aberto MIT, portanto qualquer pessoa pode usá-la, modificá-la e distribuí-la livremente.
Com o VectorDBBench, você pode selecionar o melhor banco de dados vetorial com base no desempenho real, em vez de alegações de marketing. Para começar, veja este tutorial.
Resumo
Esta publicação fornece uma visão geral dos bancos de dados vetoriais, explicando como eles diferem das bibliotecas de recuperação vetorial e dos plugins de busca vetorial sobre bancos de dados relacionais tradicionais. Mais importante ainda, apresentamos o VectorDBBench, uma ferramenta de benchmarking de código aberto para ajudar os usuários a fazer escolhas informadas.
Na publicação a seguir, apresentaremos o Milvus, o primeiro e mais amplamente utilizado banco de dados vetorial de código aberto do mundo, e mostraremos como começar a usar o Milvus.
Continue lendo
A Few Notes from Databricks Data + AI Summit 2026: Why the Data Layer Matters Again
James Luan shares notes from Databricks Data + AI Summit 2026 on why production AI is pushing the data layer back to the center of infrastructure.
Why Teams Are Migrating from Weaviate to Zilliz Cloud — and How to Do It Seamlessly
Explore how Milvus scales for large datasets and complex queries with advanced features, and discover how to migrate from Weaviate to Zilliz Cloud.
How to Use Anthropic MCP Server with Milvus
MCP + Milvus: Streamline AI agent development with standardized data access, eliminating integration hassles while enhancing context and flexibility.