Banco de dados especializado em armazenar e buscar embeddings com alta performance em similaridade semântica.
Vector databases armazenam embeddings e executam buscas por similaridade (ANN - Approximate Nearest Neighbors) em milissegundos sobre milhões a bilhões de vetores. Algoritmos centrais: HNSW, IVF, ScaNN. Opções em 2026: pgvector (Postgres, mais usado em ambientes corporativos pela simplicidade), Qdrant, Weaviate, Milvus, Pinecone, Chroma, LanceDB. Casos de uso: RAG, busca semântica, sistemas de recomendação, detecção de duplicatas, busca por imagem/áudio. Considerações de arquitetura: filtros híbridos (metadados + vetor), atualização em tempo real, multi-tenancy, custo por vetor armazenado e por query. Para a maioria das empresas brasileiras, pgvector já entrega performance suficiente até dezenas de milhões de vetores.