Busca semântica e embeddings no Supabase com pgvector
Por Mauro Mequelussi · Curso gratuito Supabase sem mistério: banco, auth e RLS · Português (PT-BR)
Resposta direta · O que esta aula resolve
A Aula 10 de 15 ("Busca semântica e embeddings no Supabase com pgvector"), parte do módulo "Recursos avançados" do curso gratuito "Supabase sem mistério: banco, auth e RLS" na Escola de Aplicativos (ministrado por Mauro Mequelussi), ensina na prática: o aluno descobre o que são embeddings e como o pgvector permite armazenar e consultar vetores dentro do Postgres. Veja o fluxo completo em um caso real do Funil de vendas, os cuidados necessários com o idioma português, custos e quando vale a pena usar.
Crie sua conta grátis para assistir a esta videoaula em HD
O resumo técnico e os capítulos abaixo são abertos para consulta. Crie sua conta 100% gratuita em segundos para liberar todas as 15 videoaulas em HD, controle automático de progresso, Tutor IA e certificado gratuito verificável.
- R$ 0 · Sem cartão de crédito
- Tutor IA tira-dúvidas da aula
- Certificado gratuito incluso
O que você vai aprender
- O que são embeddings e como funcionam na prática
- Como habilitar e usar o tipo vector com a extensão pgvector
- O fluxo de busca semântica usando Edge Functions e funções RPC
- A armadilha do modelo nativo em inglês e como escolher modelos para português
- Como otimizar consultas volumosas com índices HNSW
- Vantagens do pgvector frente a bancos de vetores dedicados
Pontos-chave da aula
- Embeddings colocam ideias parecidas próximas no mapa vetorial
- O melhor banco de vetores é a base relacional que você já tem
- Nunca misture embeddings de modelos de IA diferentes
- Consultas de distância exigem funções no banco chamadas via RPC
- Regras de RLS continuam ativas para proteger dados e vetores
Capítulos e roteiro técnico da aula
10 capítulos minutados- 00:00
O problema da busca por palavras exatas
Veja por que buscar apenas por termos literais falha quando clientes usam expressões diferentes para a mesma ideia.
- 00:28
A analogia do mapa das ideias
Entenda como frases com o mesmo significado se tornam vizinhas em um espaço conceitual.
- 00:49
O que são embeddings e a extensão pgvector
Descubra como transformar textos em listas de números e armazená-los diretamente em colunas do Postgres.
- 01:35
Implementando a busca semântica no Funil
Aprenda os três passos práticos para gerar embeddings, salvar no banco e consultar via RPC.
- 02:37
Cuidado com o idioma dos modelos de embeddings
Por que o modelo nativo gte-small não serve para textos em português e a regra de manter sempre o mesmo modelo.
- 03:12
Indexação para tabelas grandes com HNSW
Como evitar comparações lentas quando o volume de anotações cresce usando índices vetoriais eficientes.
- 03:27
Quando não usar busca vetorial
Os cenários em que buscas tradicionais ou híbridas superam a busca puramente semântica.
- 03:56
Comparativo: pgvector versus bancos dedicados
As vantagens de manter vetores ao lado dos dados relacionais com filtros nativos e RLS.
- 04:24
Custos de armazenamento e modelos de IA
Como calcular o impacto dos vetores no limite do Postgres e os custos da API de IA.
- 04:46
Resumo da busca com IA e introdução ao Cron
Recapitulação dos conceitos de pgvector e introdução ao agendamento de tarefas automáticas no banco.
Momentos de destaque na prática
O que é embedding e como o pgvector guarda vetores
Descubra por que o Supabase diz que o melhor banco de vetores é o que você já usa todos os dias.
Os 3 passos da busca semântica na prática
Veja como fazer o Supabase encontrar clientes que reclamaram de preço sem ninguém ter escrito a palavra 'preço'.
A pegadinha do idioma em modelos de embeddings
Cuidado: o modelo padrão do Supabase só entende inglês e pode arruinar sua busca em português se você não souber disso.
Notas de aula e guia de estudo
A busca tradicional por palavras exatas muitas vezes deixa passar informações valiosas quando usuários usam termos diferentes para o mesmo conceito. Nesta aula, você verá como o pgvector transforma textos em endereços numéricos dentro do próprio Postgres, permitindo encontrar dados pelo significado real da frase.
O que você vai aprender
- O que são embeddings e como funcionam na prática
- Como habilitar e usar o tipo
vectorcom a extensão pgvector - O fluxo de busca semântica usando Edge Functions e funções RPC
- A armadilha do modelo nativo em inglês e como escolher modelos para português
- Como otimizar consultas volumosas com índices HNSW
- Vantagens do pgvector frente a bancos de vetores dedicados
Pontos-chave
- Embeddings colocam ideias parecidas próximas no mapa vetorial
- O melhor banco de vetores é a base relacional que você já tem
- Nunca misture embeddings de modelos de IA diferentes
- Consultas de distância exigem funções no banco chamadas via RPC
- Regras de RLS continuam ativas para proteger dados e vetores