---
title: "Banco de dados vetorial"
description: "Banco de dados vetorial armazena e consulta vetores por proximidade. Veja como avaliar filtros, atualização e precisão da recuperação na sua aplicação."
canonical: "https://tropk.ai/recursos/glossario/banco-de-dados-vetorial"
last_modified: "2026-10-12T16:13:10.306Z"
---

# Banco de dados vetorial

Revisado em 2026-10-06.

## O que significa

Banco de dados vetorial é um sistema que armazena vetores e permite consultá-los por proximidade, usando uma medida de distância ou similaridade. Em aplicações com textos, esses vetores normalmente são [embeddings](/recursos/glossario/embeddings) associados a documentos e metadados. A capacidade pode existir num serviço dedicado ou numa extensão de um banco convencional, como o pgvector para PostgreSQL.

## Por que importa para marketing

Para marketing, o banco influencia quais conteúdos um assistente consegue recuperar dentro de uma base e com qual rapidez. Uma avaliação precisa considerar atualização, filtros e qualidade dos candidatos, além da escala anunciada. Ter os materiais armazenados não garante que o sistema retorne a versão vigente ou respeite recortes como país, categoria e permissão de acesso.

## Exemplo na prática

Imagine uma distribuidora que mantém catálogos brasileiros e portugueses na mesma base vetorial. A consulta por condições de entrega encontra um documento semanticamente próximo, mas destinado a Portugal. A inspeção revela que o país não entrou no filtro. O time decide exigir o recorte brasileiro na consulta e testar novamente, antes de revisar a redação dos catálogos.

## Como aplicar ou verificar

Peça uma consulta demonstrável com vetores, documentos de origem e filtros registrados. Confirme como inclusões, alterações e exclusões chegam à base. Compare a busca aproximada com uma referência exata numa amostra e registre candidatos perdidos e tempo de resposta. No pgvector, índices aproximados podem deixar alguns candidatos próximos de fora para retornar resultados mais rapidamente; avalie também sua interação com os filtros.

## Distinções importantes

Banco vetorial não gera necessariamente os embeddings nem escreve a resposta final. Também não precisa ser um produto separado do banco relacional. Busca exata encontra os vizinhos definidos pela distância; busca aproximada pode deixar alguns de fora para ganhar velocidade. Mesmo o vizinho matematicamente mais próximo pode ser inadequado ao negócio, exigindo critérios adicionais de seleção e revisão.

## Fontes e referências

- [pgvector: Open-source vector similarity search for Postgres](<https://github.com/pgvector/pgvector>) — Projeto pgvector
- [Vector embeddings](<https://platform.openai.com/docs/guides/embeddings>) — OpenAI

## Continue a leitura

- [Busca semântica](</recursos/glossario/busca-semantica>)
- [Embeddings](</recursos/glossario/embeddings>)
- [RAG](</recursos/glossario/rag>)

## Sobre o autor

[Vinicius Pacheco](</team/vinicius-pacheco>)

Responsável pelos conteúdos técnicos da Tropk, com foco em rastreamento, indexação, dados estruturados e acesso de agentes ao conteúdo.

---

[Todas as páginas em Markdown](<https://tropk.ai/sitemap.md>)