Agência
Marca & CriaçãoBranding & PosicionamentoIdentidade VisualConteúdo & CopywritingProdução AudiovisualLive Experience
Performance & GrowthSocial MediaInbound & NutriçãoTráfego PagoSEO & GEOPublicidadePesquisa de Mercado com IABI & DashboardsWeb AnalyticsCRO
IA & AutomaçãoConsultoria de Adoção de IAIntegração CRM & DadosAutomação de ProcessosAgentes de IAAutomação de Marketing com IABase de Conhecimento de Marca para IA
Tecnologia & Produtos DigitaisDesenvolvimento Web & AppsDesenvolvimento de MVPTech & SecurityLGPDLow-code & No-codeDesenvolvimento Assistido por IA
Relacionamento & ReputaçãoAssessoria de ImprensaInfluência & CEO PositioningGestão de CriseComunicação InternaExperiência & Trade
PortfólioBlogContato
Estante com livros antigos enfileirados
IA

Banco de dados vetorial: o documento velho que continua respondendo

Banco de dados vetorial guarda o conteúdo que a IA consulta. Como funciona, quanto custa e por que o PDF antigo segue respondendo até sair do índice.

Resposta rápida

Banco de dados vetorial é o lugar onde ficam guardados os vetores, a versão em números de cada trecho de texto, para que a IA encontre o conteúdo mais parecido com uma pergunta. É a memória consultável de um assistente com base própria. Ele não sabe o que é atual: o trecho de uma tabela de preços antiga continua sendo recuperado até alguém removê-lo do índice. Por isso, numa base de marca, o trabalho que mais pesa não é escolher o banco, é governar o que entra, o que vence e o que sai.

A empresa atualizou a tabela de preços em janeiro, subiu o PDF novo para o assistente de atendimento e deu o assunto por resolvido. Em março, um cliente reclama: o robô informou o valor do ano passado. Ninguém mexeu no robô. O PDF antigo nunca saiu de onde estava.

Esse é o problema que quase nenhum texto sobre banco de dados vetorial menciona. Os guias explicam bem como os vetores são comparados e quais algoritmos aceleram a busca. Este artigo cobre o básico, mas foca no que decide se a resposta da IA vai estar certa: o ciclo de vida do conteúdo dentro do índice.

O que é um banco de dados vetorial?

Um banco de dados vetorial guarda vetores — listas de números que representam o sentido de um trecho de texto, de uma imagem ou de um áudio — e responde a uma pergunta só: quais itens guardados estão mais perto deste aqui? Em vez de procurar a palavra exata, ele procura proximidade de significado.

No contexto de IA, é a peça que dá memória consultável a um assistente. Os manuais, as fichas de produto e as políticas da empresa são cortados em trechos, cada trecho vira um vetor, e o banco devolve os mais parecidos com o que o cliente perguntou. Como esses vetores são gerados está explicado em embeddings: por que a IA confunde dois produtos da marca; aqui o assunto é o lugar onde eles ficam.

Um aviso de vocabulário, porque o termo tem dois sentidos. Em geoprocessamento, "dado vetorial" é ponto, linha e polígono num mapa, e há banco de dados espacial feito para isso. Quem chegou aqui procurando mapas está no artigo errado: o banco vetorial de que tratamos é o da inteligência artificial.

Qual a diferença entre banco de dados vetorial e banco de dados relacional?

O banco relacional, o de tabelas e linhas, responde perguntas exatas: qual o preço do produto de código 4512, quantos pedidos entraram ontem. O banco vetorial responde perguntas aproximadas: qual trecho fala de algo parecido com "posso devolver depois de usar?". Um não substitui o outro.

Banco relacionalBanco de dados vetorial
O que guardaLinhas e colunas com valores definidosVetores numéricos, com o texto e os metadados ao lado
Tipo de perguntaExata: igual, maior que, contémAproximada: o mais parecido com isto
ResultadoTodos os registros que atendem à condiçãoOs N vizinhos mais próximos, em ordem de semelhança
Quando erraQuando o dado está errado na tabelaQuando o trecho parecido não é o trecho certo, ou está vencido
Atualizar um valorUm UPDATE troca o valor no lugarO conteúdo novo entra como item novo; o antigo precisa ser removido

Comparativo elaborado pela Alliance Comunicação.

A última linha da tabela é a que interessa a quem cuida de marca. No banco relacional, corrigir o preço apaga o preço velho. No vetorial, o trecho antigo é um item independente, com vetor próprio, e convive com o novo até ser retirado.

Como funciona um banco de dados vetorial por dentro?

São dois momentos. Na entrada, o documento é dividido em fatias (os chunks), cada fatia passa por um modelo de embedding e o vetor resultante é gravado junto com o texto original e com atributos, como nome do arquivo, data e categoria. Na consulta, a pergunta do usuário também vira vetor e o banco devolve as fatias mais próximas.

Comparar a pergunta com cada vetor guardado, um por um, seria lento numa base grande. Por isso os bancos usam índices de vizinho aproximado, dos quais o HNSW é o mais citado: em vez de olhar tudo, o índice percorre um grafo de vizinhos e chega a um resultado muito bom em muito menos tempo, abrindo mão da garantia de achar o melhor absoluto.

O fatiamento merece atenção, porque define o que exatamente vai ser recuperado. Os provedores escolhem um padrão, e ele raramente é visível para quem só sobe os arquivos:

Por padrão, o vector store da OpenAI divide cada arquivo em fatias de 800 tokens com 400 tokens de sobreposição; o tamanho da fatia pode ser ajustado entre 100 e 4.096 tokens, e cada arquivo pode ter até 512 MB e até 5 milhões de tokens.
Fonte: OpenAI, documentação da API, guia Retrieval (vector stores), consultado em novembro de 2026

Com 400 tokens de sobreposição sobre fatias de 800, cada fatia repete metade da anterior. A consequência prática é aritmética: quase toda frase do documento existe em duas fatias. A linha com o preço antigo não é um vetor no índice, são dois, e qualquer um deles pode ser o escolhido.

Por que o documento antigo continua respondendo?

Porque o banco vetorial mede semelhança, não validade. A tabela de 2025 e a de 2026 falam do mesmo assunto, com as mesmas palavras, na mesma estrutura. Para o índice, as duas são respostas igualmente boas para "quanto custa o plano?" — e a de 2025 pode até ganhar, se estiver escrita de um jeito mais próximo da pergunta.

Diagrama em que a tabela de preços de 2025 e a de 2026 são fatiadas no mesmo índice vetorial, e a pergunta sobre o preço recupera trechos das duas tabelas, gerando uma resposta que mistura os valores
Para o índice, a tabela vencida e a vigente são igualmente parecidas com a pergunta.

Três situações produzem o documento fantasma. A primeira é a substituição feita na pasta, não no índice: o arquivo novo é enviado, o antigo é apagado do drive da equipe, mas o vector store tem a sua própria cópia. A segunda é a duplicação: a mesma política entra em três PDFs diferentes (o manual, a apresentação comercial e o FAQ), e só um é corrigido. A terceira é o conteúdo temporário que nunca expira, como a campanha de Black Friday que segue respondendo em março.

E mesmo a remoção correta não é instantânea. A documentação da OpenAI avisa que tirar um arquivo do vector store é uma operação de consistência eventual: por um curto período, a busca ainda pode trazer conteúdo do arquivo removido. Em mudança sensível, como preço, convém remover antes de anunciar, não depois.

Para o índice, um documento vencido não é um documento errado. É só mais um documento parecido com a pergunta.

Banco de dados vetorial é a mesma coisa que RAG?

Não. RAG é a arquitetura inteira: buscar trechos relevantes e entregá-los ao modelo de linguagem para que ele redija a resposta. O banco vetorial é uma das peças dessa arquitetura, a que guarda e encontra os trechos. Dá para fazer RAG com busca por palavra-chave, sem banco vetorial, e dá para usar banco vetorial sem RAG, em recomendação de produtos ou deduplicação de cadastros.

A pergunta anterior, se a empresa precisa mesmo de RAG, tem resposta própria em RAG em IA: quando a empresa nem precisa dele. Muitas bases de marca cabem inteiras no contexto do modelo e dispensam índice. Quem passou desse ponto e já tem um banco vetorial ganhou, junto, a tarefa de mantê-lo limpo.

Quanto custa guardar documentos num banco de dados vetorial?

Gerar os vetores é barato; guardar tem custo contínuo, e é aí que o arquivo esquecido começa a pesar no bolso além de pesar na resposta. Nos serviços gerenciados, a cobrança costuma ser por volume armazenado ao longo do tempo. A OpenAI publica a sua conta:

No vector store da OpenAI, o armazenamento é cobrado pelo total usado em todos os vector stores: até 1 GB é gratuito e o que passar disso custa US$ 0,10 por GB por dia; quando um vector store expira, todos os arquivos associados são apagados e deixam de ser cobrados.
Fonte: OpenAI, documentação da API, guia Retrieval (vector stores), consultado em novembro de 2026

Uma conta de exemplo, só para dar escala: se o armazenamento somar 3 GB, os 2 GB acima da faixa gratuita custam US$ 0,20 por dia, cerca de US$ 6 em 30 dias. É pouco para uma empresa, mas é custo que cresce sozinho quando cada versão nova entra e nenhuma antiga sai. A base que só acumula paga para guardar o conteúdo que atrapalha.

Em banco próprio, como o PostgreSQL com a extensão pgvector, não há tarifa por GB do fornecedor, mas há servidor, disco, backup e alguém para cuidar. Na leitura da Alliance, para a maioria das bases de marca o custo do banco é a menor parte da conta: o que pesa são as horas de quem prepara, revisa e retira conteúdo.

Como governar o ciclo de vida do conteúdo no índice?

Governar é tratar cada documento como algo que nasce, responde, vence e sai. O diagrama resume as seis etapas; as práticas abaixo dizem como fazer cada uma sem depender da memória de ninguém.

Ciclo de vida de um documento no índice vetorial em seis etapas: entra com dono e validade, é fatiado, é indexado e responde, vence, sai do índice e a nova versão entra no lugar
A quinta etapa, tirar do índice, é a que costuma faltar.

1. Dono, data e validade em cada arquivo

Todo arquivo entra com três informações: quem responde por ele, quando foi aprovado e até quando vale. No vector store da OpenAI, cada arquivo aceita atributos, um dicionário de até 16 chaves, que podem ser usados na busca. Validade escrita só dentro do PDF não serve: a máquina não lê o rodapé como regra.

2. Uma fonte por assunto

Se a política de troca aparece no manual, na apresentação e no FAQ, ela vai ser corrigida em um lugar e esquecida nos outros dois. Escolha a fonte oficial de cada assunto e deixe as outras peças fora do índice, ou com o trecho removido. Duplicação é a causa mais silenciosa de resposta contraditória.

3. Substituir é remover e incluir

Trocar a versão de um documento são duas operações, não uma: remover o arquivo antigo do vector store e incluir o novo. Na documentação da OpenAI, atualizar um arquivo do vector store aparece como mudança de atributos; o texto novo entra como arquivo novo. Apagar o PDF da pasta compartilhada não toca no índice.

4. Filtro por validade na consulta

Enquanto a remoção não acontece, um filtro protege a resposta. A busca do vector store aceita filtros por atributo com comparações como igual, diferente, maior e menor; com um campo de validade numérico, a consulta pode ignorar o que já venceu. É uma rede de segurança, não substituto da limpeza.

5. Expiração para o que é temporário

Campanha, promoção e evento têm data de fim conhecida no dia em que entram. Coloque esse conteúdo num vector store separado com política de expiração: quando ele expira, os arquivos são apagados e saem da cobrança. O que é temporário não deveria depender de alguém lembrar de tirar.

6. Registro do que entrou e do que saiu

Uma planilha simples resolve: arquivo, versão, data de entrada, data de saída, motivo. Quando o atendimento questionar uma resposta, o registro diz em minutos se o trecho citado estava vigente. Sem ele, a investigação começa do zero toda vez.

A forma de escrever cada artigo para que a IA o leia bem — um assunto por artigo, resposta no primeiro parágrafo, termos fixos — está em base de conhecimento: como escrever o artigo que a IA lê sozinha. As práticas acima cuidam do outro lado: o que acontece com esse artigo depois que ele entra no índice.

Qual banco de dados vetorial escolher?

Não existe o melhor banco de dados vetorial em abstrato; existe o que cabe na equipe e no volume. Para uma base de marca, com centenas ou poucos milhares de documentos, as três famílias resolvem a busca. O que muda é quem opera e quanto controle se tem sobre o ciclo de vida.

OpçãoQuando faz sentidoO que exige
Vector store gerenciado do provedor de IA (ex.: OpenAI)Assistente que já usa a API do provedor e base de tamanho moderadoRotina de remover arquivos e cuidar dos atributos; custo por GB acima da faixa gratuita
Extensão no banco que a empresa já tem (ex.: pgvector no PostgreSQL)Equipe que já opera PostgreSQL e quer os vetores ao lado dos dados do negócioServidor, backup e manutenção do índice; remoção é um DELETE comum
Banco vetorial dedicado (ex.: Pinecone, Qdrant, Milvus, Weaviate, Chroma)Volume grande, muitas coleções ou exigência de desempenho específicaMais uma peça de infraestrutura para contratar ou operar

Comparativo elaborado pela Alliance Comunicação.

Sobre o PostgreSQL: dá, sim, para usá-lo como banco de dados vetorial. O pgvector, extensão de código aberto, acrescenta um tipo de dado vetorial, distâncias como cosseno e produto interno, e índices HNSW e IVFFlat, a partir do Postgres 13. A própria documentação lembra que a limpeza do índice HNSW após remoções (o VACUUM) pode demorar, e sugere reindexar antes — mais um sinal de que apagar também é trabalho de operação.

Quais os erros mais comuns com banco de dados vetorial?

  • Tratar a pasta compartilhada como se fosse o índice. Apagar ou renomear o arquivo no drive não muda nada no vector store. São dois lugares, com duas cópias.
  • Subir a versão nova sem tirar a antiga. É o erro deste artigo e o mais frequente: as duas convivem, e a busca escolhe pela semelhança, não pela data.
  • Indexar tudo o que existe. Apresentações antigas, rascunhos e propostas de clientes entram "por via das dúvidas" e viram fonte citável. O que não deve responder não deve entrar.
  • Não saber qual fatiamento está valendo. Fatia grande mistura assuntos; fatia pequena perde contexto. Quem nunca olhou o padrão do provedor não sabe o que o robô está lendo.
  • Escolher o banco antes de decidir o conteúdo. A discussão sobre fornecedor consome semanas; a lista de quais documentos são oficiais, que resolve metade dos problemas, nunca é feita.
  • Esquecer o conteúdo com prazo. Promoção sem data de saída no índice continua sendo oferecida depois de acabar, e o cliente cobra.

Como medir se o índice está limpo?

Medição de banco vetorial costuma olhar velocidade e precisão da busca. Para a marca, a métrica que importa é outra: com que frequência a IA responde com conteúdo vencido. Ela se mede com um conjunto fixo de perguntas e uma auditoria periódica do que está guardado.

  1. Monte uma lista de 20 a 30 perguntas sobre o que muda com frequência: preço, prazo, política de troca, condições comerciais, produtos descontinuados.
  2. Depois de cada mudança, rode as perguntas e anote de qual arquivo veio cada trecho citado. Resposta certa vinda do arquivo errado também é falha.
  3. Uma vez por mês, liste os arquivos do índice e cruze com o registro: tudo o que passou da validade ou não tem dono vai para revisão.
  4. Acompanhe o volume armazenado. Base que só cresce, mês a mês, é sinal de que nada está saindo.

O que muda conforme o tipo de base?

Nem toda base envelhece no mesmo ritmo. A frequência de revisão e o rigor da remoção acompanham a velocidade com que o conteúdo muda e o estrago que uma resposta antiga causa:

  • Catálogo e preços: muda muito e o erro custa dinheiro. Remoção no mesmo dia da mudança e filtro de validade obrigatório.
  • Políticas e termos: muda pouco, mas o erro tem peso jurídico. Uma única fonte oficial e registro de versão com data.
  • Manual de marca e tom de voz: muda raramente. Revisão anual e cuidado para que versões antigas do manual não fiquem indexadas.
  • Campanhas e promoções: já nasce com data de fim. Vector store separado, com expiração.

Por onde começar hoje?

Quem já tem um assistente com base própria não precisa trocar de banco para melhorar a resposta. Precisa saber o que está lá dentro. A sequência curta:

  1. Liste todos os arquivos que estão hoje no índice, não na pasta da equipe.
  2. Marque cada um como vigente, vencido ou duplicado, e dê um dono a cada vigente.
  3. Remova do índice os vencidos e os duplicados, e acrescente data e validade como atributo nos que ficam.
  4. Separe o que é temporário num vector store com expiração.
  5. Rode as perguntas de teste e repita a auditoria todo mês.

Para quem ainda vai montar a base, a Base de Conhecimento de Marca para IA da Alliance organiza o conteúdo oficial, define donos e validades e entrega a rotina de entrada e saída junto com o índice. E se a dúvida ainda é onde a IA entra no marketing da empresa, o diagnóstico de marketing gratuito leva cerca de 30 minutos e aponta as prioridades por área.

Banco de dados vetorialRAGBase de conhecimentoIA

Perguntas frequentes

Para que serve um banco de dados vetorial na IA?+

Serve para encontrar, numa base grande, os trechos de conteúdo mais parecidos com uma pergunta, mesmo quando as palavras são diferentes. É o que permite a um assistente responder com os documentos da própria empresa. Também é usado em recomendação de produtos, busca de imagens parecidas e identificação de cadastros duplicados.

Banco de dados vetorial é a mesma coisa que RAG?+

Não. RAG é a arquitetura que busca trechos e os entrega ao modelo de linguagem para redigir a resposta; o banco vetorial é uma das peças possíveis dessa busca. Dá para fazer RAG sem banco vetorial, com busca por palavra-chave, e usar banco vetorial sem RAG.

Qual o melhor banco de dados vetorial?+

Depende de quem vai operar e do volume. Para bases de marca de tamanho moderado, o vector store gerenciado do provedor de IA ou o pgvector no PostgreSQL que a empresa já usa costumam bastar. Bancos dedicados fazem sentido com volume grande ou exigência específica de desempenho.

Existe banco de dados vetorial gratuito ou open source?+

Existe. O pgvector, extensão de código aberto para PostgreSQL, é o exemplo mais conhecido, e há bancos dedicados com versão aberta. Gratuito, porém, é a licença: servidor, backup e manutenção continuam custando, e no serviço gerenciado da OpenAI só o primeiro 1 GB de armazenamento é grátis.

Dá para usar PostgreSQL como banco de dados vetorial?+

Dá, com a extensão pgvector, que acrescenta o tipo vetorial, as funções de distância e índices HNSW e IVFFlat a partir do Postgres 13. É uma boa escolha quando a equipe já opera PostgreSQL e quer os vetores perto dos dados do negócio. A remoção de documentos é um DELETE comum, seguido da manutenção do índice.

Como criar um banco de dados vetorial?+

O caminho mais curto é usar um serviço gerenciado: cria-se o vector store, sobem-se os arquivos e o serviço fatia, gera os vetores e indexa. Em banco próprio, é preciso escolher o modelo de embedding, definir o fatiamento, gravar vetor, texto e atributos e criar o índice. Nos dois casos, defina antes quais documentos são oficiais e quem é dono de cada um.

Quanto custa guardar documentos num banco de dados vetorial?+

No vector store da OpenAI, até 1 GB somado em todos os vector stores é gratuito, e o excedente custa US$ 0,10 por GB por dia. Em banco próprio, o custo é de servidor e operação. Em qualquer caso, documento vencido que não sai do índice é custo sem retorno.

Como atualizar ou apagar um documento de um banco de dados vetorial?+

Atualizar o conteúdo, na prática, é remover o arquivo antigo do índice e incluir o novo; apagar só da pasta compartilhada não mexe no vector store. Na OpenAI, a remoção é eventualmente consistente, então o trecho pode aparecer por um curto período depois de removido. Para conteúdo temporário, a política de expiração apaga os arquivos sozinha.

Leia também

21 artigos
Mãos digitando em notebook sobre mesa redonda de madeiraSystem prompt na IA: o texto da marca cobrado a cada mensagem · 18 min de leituraMolho de chaves sobre uma superfície escuraNotion AI: o que é, quanto custa e como a base da marca responde certo · 13 min de leituraEstantes de biblioteca cheias de livros organizados por assuntoKnowledge Graph: o que o Google escreve sobre a sua marca e como conferir · 19 min de leituraDois notebooks lado a lado sobre a mesa, vistos de cimaCopilot Notebooks: a base da marca e o convite que abre os arquivos · 14 min de leituraNotas adesivas amarelas ao lado de um teclado sobre a mesaEngenharia de contexto: o que a marca põe, e o que tira, para a IA falar certo · 15 min de leituraEstante de biblioteca com livros organizados por cor e assuntoEmbeddings: o que são e por que a IA confunde dois produtos da marca · 14 min de leituraGaveta de fichário de biblioteca com fichas organizadasClaude Skills: como pôr o manual da marca numa skill e manter as cópias iguais · 14 min de leituraEstantes de arquivo com volumes de registros organizados por lombadaClaude Projects: o que é e quando a base da marca vira busca · 17 min de leituraEstante de biblioteca com livros de referência enfileiradosWikidata para empresas: o item que a IA consulta e a marca não escreve sozinha · 16 min de leituraMãos digitando no teclado de um notebook com um texto aberto na telaInstruções personalizadas do ChatGPT: o campo que vale só para você · 16 min de leituraFolha timbrada de marca sobre mesa de madeira, ao lado de tintas e pincelNotebookLM para empresas: a base da marca que se atualiza e a que congela · 19 min de leituraEquipe reunida em torno de um notebookGemini Gems: o Gem da marca que se atualiza e que o time inteiro vê · 18 min de leituraRobô de brinquedo apontando ao mesmo tempo para dois lados opostosAlucinação de IA: por que o assistente inventa sobre a sua empresa · 18 min de leituraEstante cheia de livrosJanela de contexto: por que a IA esquece o manual da marca no meio da conversa · 18 min de leituraChip de computador iluminado em azulTreinar IA com os dados da empresa: o ajuste fino que a OpenAI fechou · 15 min de leituraPilha de pastas e arquivos antigosGPT personalizado: a base da marca que envelhece dentro dele · 17 min de leituraGavetas de fichário de biblioteca com etiquetasSchema markup: a ficha de fatos que a sua marca assina · 16 min de leituraEstante com volumes de enciclopédia enfileiradosBase de conhecimento: como escrever o artigo que a IA lê sozinha · 15 min de leituraMãos digitando um texto no notebook sobre uma mesa de madeiraTom de voz da marca: como escrever o guia que a IA e a equipe conseguem seguir · 18 min de leituraMesa de escritório com notebooks abertos, fones de ouvido e estante ao fundoO que é RAG em IA, e quando a sua empresa nem precisa dele · 15 min de leituraEstante de biblioteca vista de lado, com fileiras de livrosllms.txt: para que serve de verdade (e o que ele não faz) · 12 min de leitura
Conheça Base de Conhecimento de Marca para IA →
Portfólio

Projetos que geram impacto real.

Ver todo o portfólio →
Pronto para

ensinar as IAs a falarem da sua marca?

Comece pelo diagnóstico gratuito e veja como IA entra no seu plano de marketing — depois a Alliance ajuda a executar cada etapa.

(11) 99116-3001contato@alliancecomunicacao.com.brAv. Dr. Gastão Vidigal, 1132 — Vila Leopoldina, São Paulo · SP