Banco vetorial ou banco de grafos? Por que agentes de IA precisam dos dois

Quem já usou um agente de inteligência artificial para pesquisar produtos provavelmente viveu uma situação parecida: a resposta parecia convincente, mas alguma informação importante estava errada.

O produto não estava mais disponível. A entrega não atendia ao CEP. O preço havia mudado. Ou a recomendação não respeitava todas as condições do pedido.

Isso acontece porque compreender uma pergunta e encontrar algo relacionado a ela são apenas partes do problema. Para responder corretamente, um agente também precisa entender relações entre clientes, produtos, vendedores, estoques, endereços, pagamentos e políticas comerciais.

É nesse ponto que a combinação entre banco de dados vetorial e banco de grafos se torna especialmente interessante. A busca vetorial ajuda a IA a entender o significado da pergunta. O grafo verifica como as informações estão conectadas no mundo real.

No SurrealDB, um registro pode guardar o vetor e participar do grafo. A aplicação consegue partir de uma busca por significado e percorrer relações na mesma consulta, sem costurar dois resultados em código.

O problema de usar duas fontes separadas

Uma arquitetura comum usa:

• um banco vetorial para conteúdos semanticamente relacionados;
• um banco relacional ou de grafos para dados estruturados.

Em teoria, a divisão é organizada. Na prática, o agente consulta uma base para descobrir candidatos e outra para confirmar preço, disponibilidade, permissão ou relacionamento. Depois, uma função precisa combinar as listas.

Esse caminho pode gerar:

• mais tempo de resposta;
• duplicação;
• sincronização entre sistemas;
• divergência de identificadores;
• dados com momentos de atualização diferentes;
• lógica de combinação difícil de testar;
• contexto contraditório entregue ao modelo.

Imagine um produto transformado em vetor quando estava disponível. Mais tarde, o estoque acaba, mas a atualização ainda não chegou à base vetorial.

O agente encontra o produto porque ele combina perfeitamente com a intenção do cliente. Depois recomenda algo que já não pode ser comprado.

O modelo não falhou ao compreender. A arquitetura separou o sistema que encontra uma informação daquele que conhece seu estado atual.

O que é um banco de dados vetorial?

Textos, imagens e outros conteúdos podem ser transformados em representações numéricas chamadas embeddings. Elementos com significados próximos tendem a ocupar regiões próximas nesse espaço.

Considere:

Preciso de um notebook leve, com bateria para uma viagem e que rode ferramentas de design.

Uma busca tradicional procura palavras como “notebook”, “leve”, “bateria” e “design”.

A busca vetorial pode encontrar descrições como:

• equipamento portátil para profissionais criativos;
• computador com autonomia para uso fora do escritório;
• notebook adequado para edição de imagens;
• modelo compacto para trabalho em movimento.

As pessoas raramente descrevem necessidades com os mesmos termos usados em catálogos e documentos. Essa capacidade de aproximar significados é valiosa para agentes.

O que um banco de grafos acrescenta?

Semelhança não garante validade. O agente ainda precisa verificar:

• disponibilidade;
• vendedor;
• região atendida;
• prazo para o CEP;
• compatibilidade;
• condição de pagamento;
• política aplicável;
• permissão do usuário.

Essas informações são relações.

Em um grafo:

• cliente está localizado em uma cidade;
• cidade pertence a um estado;
• vendedor atende uma região;
• vendedor oferece um produto;
• centro de distribuição mantém estoque;
• transportadora atende certos CEPs;
• acessório é compatível com um modelo.

O agente percorre conexões para descobrir não apenas o que parece relevante, mas o que atende às condições.

Um exemplo hipotético para o mercado brasileiro

Imagine um marketplace brasileiro com um agente de compras. Um consumidor pergunta:

Quero um notebook de até R$ 5 mil para trabalhar com AutoCAD. Preciso receber em Campinas até sexta-feira e prefiro uma loja bem avaliada.

O cenário é hipotético, mas as decisões são comuns em catálogos reais.

O que a busca vetorial encontra

Ela analisa descrições, especificações, avaliações e conteúdos para localizar notebooks relacionados a:

• uso profissional;
• engenharia e arquitetura;
• processamento gráfico;
• software CAD;
• faixa de preço.

Pode compreender que “modelagem técnica” e “projetos de arquitetura” têm relação com o pedido mesmo sem repetir “AutoCAD”.

O que o grafo confirma

Depois dos candidatos, o agente verifica:

• modelos abaixo do limite;
• vendedores com estoque;
• reputação;
• centros que atendem Campinas;
• entrega antes da data;
• configuração compatível;
• condições de pagamento.

A resposta depende das relações entre produto, vendedor, estoque, localidade e transporte.

A diferença na resposta

Com somente busca semântica:

O modelo X é uma boa opção para AutoCAD, pois tem processador de alto desempenho e placa dedicada.

Parece útil, mas não confirma compra.

Com busca vetorial e grafo:

Encontrei dois modelos dentro do orçamento e compatíveis com os requisitos. O modelo X está disponível por R$ 4.799 em um vendedor com avaliação 4,8, possui estoque em um centro que atende Campinas e previsão até quinta. O modelo Y custa menos, mas ultrapassa o prazo.

A segunda resposta demonstra que condições foram verificadas.

Como o SurrealDB reúne vetores e grafos

No SurrealDB, um documento ou produto é um registro comum. Ele pode conter seu embedding e, ao mesmo tempo, estar ligado a outros registros por relações.

Pense neste modelo:

produto
  ├── embedding da descrição
  ├── preço
  └── oferecido_por → vendedor

vendedor
  ├── avaliação
  └── atende → região

estoque
  ├── quantidade
  └── localizado_em → centro_distribuição

A consulta pode começar pelos produtos mais próximos do significado do pedido e já trazer relações com vendedor, região e estoque.

Em termos conceituais:

Encontre produtos semanticamente relacionados ao pedido e retorne somente aqueles dentro do orçamento, com estoque, vendedor bem avaliado e entrega possível para o CEP antes da data.

A busca encontra candidatos. O grafo aplica contexto operacional. O banco devolve um conjunto coerente para o modelo explicar.

Isso evita uma “fusão” manual entre rankings independentes. Também reduz o risco de consultar momentos diferentes dos dados.