O que é Vector Search e como utilizar em seus projetos

Busca por significado, não por palavra-chave. Neste artigo: como os embeddings representam texto, como o índice vetorial do Atlas funciona e uma pipeline pronta para copiar.

Uma busca tradicional compara termos. Se o usuário digita “sapato para corrida” e o produto está cadastrado como “tênis de running”, o match não acontece. A busca vetorial resolve isso comparando representações numéricas do significado do texto, em vez dos caracteres.

Embeddings em uma frase

Um modelo de embedding transforma um texto em um vetor de centenas ou milhares de dimensões. Textos com sentido próximo ficam próximos nesse espaço, e a distância entre eles passa a ser algo que o banco consegue ordenar.

No MongoDB Atlas os vetores ficam no mesmo documento que o resto dos dados. Isso elimina o banco vetorial separado e o trabalho de sincronizar duas fontes de verdade.

A pipeline

O estágio $vectorSearch aceita filtros pré-consulta, o que permite restringir por categoria ou estoque antes da busca semântica:

vector_search.py

pipeline = [
    {
        "$vectorSearch": {
            "index": "produtos_vector_index",
            "path": "descricao_embedding",
            "queryVector": embed("sapato leve para corrida"),
            "numCandidates": 150,
            "limit": 10,
            "filter": {"em_estoque": True}
        }
    },
    {
        "$project": {
            "nome": 1,
            "preco": 1,
            "score": {"$meta": "vectorSearchScore"}
        }
    }
]

for doc in db.produtos.aggregate(pipeline):
    print(doc["nome"], round(doc["score"], 3))

O campo numCandidates controla quantos vizinhos o índice examina antes de devolver os limit melhores. Valores mais altos aumentam a precisão e o custo da consulta — comece em dez vezes o limite e ajuste medindo.