Busca híbrida com BM25, vetores e reranking no SurrealDB
Por Mauro Mequelussi · Curso gratuito SurrealDB para engenheiros de IA: RAG e agentes · Português (PT-BR)
Resposta direta · O que esta aula resolve
A Aula 5 de 11 ("Busca híbrida com BM25, vetores e reranking no SurrealDB"), parte do módulo "RAG e busca híbrida" do curso gratuito "SurrealDB para engenheiros de IA: RAG e agentes" na Escola de Aplicativos (ministrado por Mauro Mequelussi), ensina na prática: prática, você verá como combinar busca por palavras-chave (BM25) e busca semântica vetorial (HNSW) na mesma tabela do SurrealDB. Entenda as limitações de cada método com exemplos reais de suporte e aprenda a fundir resultados com Reciprocal Rank Fusion (RRF) nativo para alimentar modelos de IA com precisão.
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 11 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
- Como criar esquemas no SurrealDB com índices BM25 e HNSW convivendo na mesma tabela
- Por que e quando cada abordagem de busca falha em cenários reais de atendimento ao cliente
- O funcionamento matemático do algoritmo Reciprocal Rank Fusion (RRF)
- Como usar a função nativa search::rrf para fundir rankings em uma única consulta
- Boas práticas para produção, incluindo ajuste de pesos e uso de rerankers adicionais
Pontos-chave da aula
- BM25 é excelente para termos raros e identificadores únicos, mas ignora intenção.
- A busca vetorial mapeia conceitos, mas dilui códigos técnicos idênticos.
- O RRF normaliza rankings diferentes considerando apenas a posição ordinal dos itens.
- O SurrealDB permite indexar texto e vetor no mesmo registro sem precisar de bancos separados.
Capítulos e roteiro técnico da aula
7 capítulos minutados- 00:00
O problema das buscas por palavra e por vetor isoladas
Veja como a busca textual erra intenções semânticas e como a busca vetorial falha completamente diante de códigos e IDs exatos.
- 00:32
Estrutura da aula e por que unificar as abordagens
Uma visão geral sobre os pontos cegos de buscas isoladas e o roteiro prático com seis consultas até a fusão em produção.
- 01:01
BM25 vs vetores e a mecânica do RRF
Entenda as forças opostas de cada busca e por que o Reciprocal Rank Fusion resolve a incompatibilidade de escalas de pontuação.
- 02:18
Definindo schema com índices BM25 e HNSW juntos
Como modelar uma única tabela no SurrealDB contendo simultaneamente índices de texto completo e índices vetoriais.
- 03:15
Testando falhas reais: semântica vs códigos de erro
Execução prática mostrando o BM25 falhando em intenção e os vetores falhando ao buscar códigos exatos como HTTP 429.
- 04:39
Fusão na prática: cálculo manual e função search::rrf
Implementação do RRF passo a passo no SurrealQL, montagem de contexto para o prompt e simplificação com a função nativa.
- 06:42
Levando para produção: embeddings reais, rerankers e pesos
Orientações para o ambiente real, uso opcional de cross-encoders, ajuste de pesos relativos e introdução à memória para agentes.
Momentos de destaque na prática
Por que BM25 e vetores precisam trabalhar juntos
Entenda por que a busca vetorial falha em códigos exatos e como o RRF resolve esse dilema.
O ponto cego dos vetores com códigos e erros
Veja na prática o que acontece quando você pede ao modelo para achar um código como o erro 429.
Fusão nativa com search::rrf no SurrealDB
Aprenda a fazer fusão recíproca em uma única linha usando a função nativa do SurrealDB.
Notas de aula e guia de estudo
A busca puramente vetorial resolve problemas de sinônimos e intenção, mas tem um ponto cego grave com números de pedido, nomes de produtos específicos e códigos de erro. A busca textual tradicional por BM25 acerta nesses termos exatos, mas não compreende contexto semântico. A solução definitiva para sistemas de RAG em produção é a busca híbrida unificada.
O que você vai aprender
- Como criar esquemas no SurrealDB com índices BM25 e HNSW convivendo na mesma tabela
- Por que e quando cada abordagem de busca falha em cenários reais de atendimento ao cliente
- O funcionamento matemático do algoritmo Reciprocal Rank Fusion (RRF)
- Como usar a função nativa
search::rrfpara fundir rankings em uma única consulta - Boas práticas para produção, incluindo ajuste de pesos e uso de rerankers adicionais
Pontos-chave
- BM25 é excelente para termos raros e identificadores únicos, mas ignora intenção.
- A busca vetorial mapeia conceitos, mas dilui códigos técnicos idênticos.
- O RRF normaliza rankings diferentes considerando apenas a posição ordinal dos itens.
- O SurrealDB permite indexar texto e vetor no mesmo registro sem precisar de bancos separados.