Busca vetorial

É a busca que encontra os conteúdos cujos embeddings estão mais próximos do embedding da consulta. Como os embeddings representam significado, a busca vetorial recupera por sentido: sinônimos, paráfrases e perguntas formuladas de maneiras diferentes chegam aos mesmos resultados. Para funcionar rápido em milhões de vetores, usa índices de vizinhos mais próximos aproximados (ANN), que aceitam uma pequena perda de exatidão em troca de muita velocidade. É a base do RAG, da busca semântica e de muitos sistemas de recomendação.

Em Produto, duas configurações precisam ser ajustadas com dados reais: quantos resultados recuperar (top-k) e o limiar mínimo de similaridade. Top-k alto demais enche o contexto de ruído; baixo demais perde o trecho certo. Também vale filtrar por metadados antes da busca: área, data, cliente, status de vigência. Isso reduz o espaço de busca, melhora a precisão e, principalmente, garante que o usuário só veja o que tem permissão de ver. Uma configuração comum: recuperar 20 candidatos por busca vetorial, filtrar por “vigente = sim”, e deixar o reranker escolher os 5 melhores.

Use busca vetorial para perguntas em linguagem natural, em que o usuário descreve o que quer com suas próprias palavras. Use busca lexical para identificadores e termos exatos. Use filtros por metadados sempre que houver estrutura disponível, e antes da busca, nunca depois. Uma forma simples de diferenciar: busca vetorial encontra o que se parece; filtros garantem que só o permitido e o relevante entre na comparação.

Recuperação por vizinhos mais próximos (anos 1960); tornou-se prática com embeddings neurais e índices ANN (HNSW, Malkov & Yashunin, 2016).

Malkov & Yashunin, HNSW (2016); Microsoft Azure, Retrieval foundations