Representações numéricas (vetores) de textos, imagens ou outros dados que capturam significado semântico.
Embeddings são vetores de números (tipicamente 384 a 3072 dimensões) que representam o significado semântico de um texto, imagem, áudio ou outro dado. Conteúdos semanticamente similares ficam próximos no espaço vetorial, mesmo sem palavras em comum. Modelos populares em 2026: OpenAI text-embedding-3, Cohere Embed v3, Voyage AI, BGE, E5. Aplicações: busca semântica, RAG, clustering, classificação, deduplicação, recomendação, detecção de anomalias. Considerações: dimensão (custo vs qualidade), suporte multilíngue, normalização e métrica de distância (cosine, dot product). Embeddings são armazenados em bancos vetoriais (pgvector, Qdrant, Weaviate, Pinecone) para busca eficiente.