RAG sem vetores: como um chatbot busca informação e se você precisa de um banco de dados vetorial

Por dois anos, a resposta para «como faço um chatbot responder com os meus dados?» foi sempre a mesma: divida os documentos em trechos, transforme cada trecho em números e guarde esses números num banco de dados vetorial. Em meados de 2026, uma onda de publicações declarou esse passo morto. «RAG sem vetores.» «Você não precisa mais de um banco de dados vetorial.» «O RAG morreu.»

A gente constrói chatbots com IA, então leu os trabalhos de verdade, fez as contas e olhou além das manchetes —do mesmo jeito que fizemos com o PixelRAG. Esta é a versão honesta para quem precisa decidir o que construir: o que é um banco de dados vetorial, como um chatbot busca informação na prática, o que é esse «RAG sem vetores» e a pergunta prática por baixo de todo o barulho: você precisa dele? Com os números reais, não os virais.

O que é um banco de dados vetorial (e o que são embeddings)

Vamos começar pela peça que todo mundo quer remover, porque, para saber se ela sobra, é preciso saber o que ela faz. Um embedding é um jeito de transformar texto num ponto no espaço. O modelo lê «jaqueta impermeável» e devolve uma lista longa de números —digamos 1.536— que fixam essa frase numa coordenada específica. «Capa de chuva» cai perto, porque significa algo parecido; «motor a diesel» cai longe. O truque todo é que perto nesse espaço ≈ perto no significado.

Um banco de dados vetorial (Pinecone, Weaviate, Qdrant ou pgvector sobre PostgreSQL, entre outros) é um armazenamento otimizado para guardar milhões desses pontos e, dado um novo, devolver os mais próximos em milissegundos. É isso. É uma ótima ferramenta para um trabalho específico: casar por significado, de forma difusa, sobre um monte de texto quando você não sabe as palavras exatas que o usuário vai digitar.

Também é onde mora boa parte do custo, da complexidade e das falhas do RAG: um fatiamento que corta uma tabela ao meio, um índice para manter sincronizado e a suposição de fundo de que parecido é igual a relevante. E é daí que nasce o argumento do «sem vetores». Em muitos casos reais, buscar o mais parecido não leva à resposta certa, então montar e manter toda essa infraestrutura não compensa.

Como um chatbot com IA busca informação (RAG em 60 segundos)

Este é o processo padrão que move a imensa maioria dos chatbots com IA hoje, o nosso incluído:

1. Dividir. Os seus documentos —um PDF, um site, um catálogo— são quebrados em trechos de texto, os chamados chunks.
2. Transformar em vetor (embedding). Cada trecho passa por um modelo que o transforma numa lista de números que captura o seu significado. Dois trechos sobre a mesma ideia acabam com números parecidos, mesmo usando palavras diferentes.
3. Guardar. Esses vetores vão para um banco de dados vetorial feito para achar vizinhos próximos rápido.
4. Recuperar. Quando um cliente pergunta algo, a pergunta também vira vetor, e o banco devolve os trechos cujos vetores estão mais perto.
5. Gerar. Esses trechos são passados ao modelo de linguagem, que escreve a resposta apoiado neles.

O banco vetorial mora nos passos 3 e 4. Ele existe para responder rápido a uma pergunta: quais dos meus milhares de trechos são mais parecidos, no significado, com esta consulta? As abordagens sem vetores defendem que «o mais parecido» muitas vezes é a pergunta errada, e que um modelo de linguagem, se você der a estrutura do documento ou uma ferramenta de busca, acha melhor a parte que de fato importa.

Busca semântica vs busca por palavras-chave

Esta é a linha de fratura de todo o debate, então vale um exemplo simples. Mesma base de conhecimento, mesma pergunta, dois jeitos de achar a resposta:

Nenhuma é melhor de forma absoluta. A semântica brilha quando as palavras do usuário não batem com as do seu documento. A busca por palavras-chave ou estruturada brilha quando a resposta depende de um valor exato: um preço, um tamanho, uma referência, uma data. O erro destes dois anos foi tratar os vetores como o padrão para tudo, incluindo perguntas em que um filtro simples teria sido mais rápido, mais barato e mais preciso.

O que é o RAG sem vetores

RAG sem vetores é recuperar sem banco de dados vetorial. Em vez de transformar os seus documentos em vetores e buscar por semelhança matemática, o sistema usa a própria estrutura do documento —ou uma busca por palavras-chave— e deixa um modelo de linguagem raciocinar sobre qual é a parte que de fato importa.

O exemplo estrela é o PageIndex, da VectifyAI. Ele constrói um índice em árvore tipo «sumário» a partir de um documento longo e, quando chega uma pergunta, um modelo percorre essa árvore como uma pessoa folheia um relatório —«isto é um balanço financeiro, a resposta deve estar na seção de liquidez, lá pela página 40»— e tira a seção certa. Sem dividir, sem embeddings, sem banco vetorial. O lema resume a ideia: parecido não é a mesma coisa que relevante.

Há uma segunda variante ainda mais simples: dar a um agente de IA uma ferramenta de busca por palavras-chave (a busca de texto de sempre) e deixar que ele busque, leia, refine e busque de novo em laço. É assim que os agentes de programação como o Claude Code ou o Cursor navegam pelo código: buscam texto, não criam embeddings. Um trabalho recente de pesquisadores da Amazon colocou um número nisso (mais abaixo).

O RAG morreu? O que o debate diz de verdade

Resposta curta: não. O que se questiona não é «apoiar um modelo nos seus dados» —isso está mais relevante do que nunca—, e sim uma implementação específica: dividir tudo, transformar em vetores e buscar por semelhança. Três linhas alimentaram a onda do «RAG morreu», e cada uma diz algo mais estreito do que a manchete:

• Janelas de contexto maiores. Os modelos aceitam entradas enormes, então, para uma base de conhecimento pequena, às vezes dá para colar tudo e pular a recuperação. Isso quebra em escala e sai caro, e esbarra no ponto seguinte.
• Degradação de contexto (context rot). A pesquisa da Chroma mostrou que a precisão do modelo piora à medida que a entrada cresce, bem antes de encher a janela. Ou seja, colar tudo tem um custo: o modelo responde pior quanto mais você enfia. Por isso a degradação de contexto, no fundo, é um argumento para recuperar melhor a informação, não para deixar de recuperá-la.
• Busca agêntica. Se você dá a um modelo capaz uma ferramenta de busca e deixa ele consultar em laço, muitas vezes ele ganha de uma única busca por vetores. Aqui está a substância real do RAG sem vetores.

Então o honesto não é «o RAG morreu», e sim «acaba a época de meter um banco vetorial por reflexo em tudo». A recuperação está viva; o que se apaga é a monocultura de um único método.

Como o RAG sem vetores funciona por dentro

Vamos com o PageIndex como exemplo concreto. Em vez de dividir e transformar em vetores, ele faz o seguinte:

1. Construir uma árvore. Gera um índice hierárquico tipo sumário do documento —seções, subseções, âncoras de página— que reflete como ele está de fato organizado.
2. Raciocinar sobre a árvore. Quando chega uma pergunta, um modelo faz uma busca pela árvore: olha a estrutura e decide qual ramo provavelmente tem a resposta, navegando como quem folheia um relatório, em vez de comparar vetores.
3. Recuperar a seção relevante. Tira a seção à qual chegou raciocinando, e o modelo responde a partir dali.

A variante de agente com palavras-chave dispensa até a árvore: o agente dispara buscas de texto, lê os resultados e refina a consulta até ter o que precisa. O mesmo laço que uma pessoa usa com um campo de busca.

Você precisa de um banco de dados vetorial? Guia de decisão

Esqueça a ideologia. Passe por estas e conte onde você cai:

• Maioria de sins: o banco vetorial continua valendo o seu lugar. A busca semântica sobre um corpus grande e bagunçado é exatamente o forte dele. Mantenha.
• Misto: você provavelmente quer uma abordagem híbrida —busca por palavras-chave ou estruturada para o exato, vetores para o difuso. A maioria dos sistemas sérios já combina os dois.
• Maioria de nãos: se os seus dados têm estrutura clara (documentos bem organizados) ou as suas perguntas dependem de valores exatos (catálogos, registros, filtros), a abordagem sem vetores —uma árvore de raciocínio ou uma busca estruturada— pode ser mais simples, mais barata e mais precisa.

Com vetores vs sem vetores: tabela honesta

A linha que mais pesa é a última: o RAG com vetores é uma quantidade conhecida; o sem vetores é promissor, mas jovem, e quase todos os números vencedores vêm de quem o vende. Não é motivo para ignorar, e sim para testar contra os seus próprios dados em vez de contra uma manchete.

O que isso significa para o chatbot da sua empresa

Aqui está a parte que o debate costuma pular: a maioria dos chatbots de empresa nunca precisou de busca vetorial pura. Um chatbot de loja que responde «jaquetas impermeáveis abaixo de R$ 400 no tamanho L» não é um problema de semelhança: é um filtro. A resposta certa é uma busca estruturada sobre o seu catálogo (preço, tamanho, estoque), não o vetor mais próximo da frase. A gente desenvolve isso no nosso guia sobre por que o seu chatbot não encontra produtos.

Na Bravos AI a gente já usa uma abordagem híbrida: busca estruturada, tipo banco de dados, para catálogos e perguntas de valor exato, e recuperação semântica para o texto livre como perguntas frequentes, políticas e descrições de serviços. A conversa «sem vetores» não nos pegou de surpresa, porque a lição de fundo —ajuste o método de busca à pergunta, não force vetores para tudo— é como um bom sistema deveria ter sido construído desde o começo. Se o seu chatbot responde principalmente sobre um catálogo ou registros estruturados, o banco vetorial nunca foi o importante.

O veredito, em uma linha

O RAG sem vetores é uma correção real e útil a dois anos de abuso dos bancos vetoriais, não a morte do RAG. Para documentos estruturados e perguntas de valor exato pode ser mais simples, mais barato e mais preciso; para corpus grandes, difusos e de significado, um banco vetorial continua valendo o seu lugar. A pergunta certa nunca foi «vetores sim ou não», e sim «qual recuperação encaixa com esta pergunta». Se alguém te diz que um método ganha sempre, está vendendo, não fazendo engenharia.

Perguntas frequentes

O que é RAG sem vetores em poucas palavras?

É a geração aumentada por recuperação (RAG) sem banco de dados vetorial. Em vez de transformar os seus documentos em embeddings e buscar por semelhança, o sistema usa a estrutura do documento (uma árvore de raciocínio, como o PageIndex) ou uma busca por palavras-chave, e deixa um modelo de linguagem raciocinar sobre qual parte é de fato relevante. O lema é «parecido não é a mesma coisa que relevante».

Ainda preciso de um banco de dados vetorial para RAG em 2026?

Depende das suas perguntas. Para corpus grandes e sem estrutura, em que os usuários perguntam de forma difusa e por significado, sim: a busca por vetores é o forte dela. Para documentos bem estruturados ou perguntas que dependem de valores exatos (catálogos, registros, filtros), talvez não, e uma abordagem sem vetores ou híbrida sai mais simples e barata. Muitos sistemas em produção usam os dois.

O que é um banco de dados vetorial?

É um armazenamento otimizado para guardar milhões de embeddings (representações numéricas do significado do texto) e, dada uma consulta, devolver os mais parecidos em milissegundos. É a peça que permite a busca semântica no RAG clássico. Exemplos: Pinecone, Weaviate, Qdrant ou pgvector sobre PostgreSQL.

O RAG morreu?

Não. Apoiar um modelo nos seus próprios dados está mais relevante do que nunca. O que se apaga é o reflexo de dividir e transformar tudo em vetores por padrão. A recuperação está viva; o que se questiona é o método único para tudo.

O que é o PageIndex?

O PageIndex (da VectifyAI) é um sistema de RAG sem vetores, baseado em raciocínio. Ele constrói uma árvore hierárquica tipo sumário a partir de um documento e usa um modelo de linguagem para navegá-la, sem embeddings, sem dividir e sem banco vetorial. Os autores declaram 98,7% de acerto no benchmark FinanceBench, um número do próprio fabricante, então vale conferir contra os seus dados.

RAG sem vetores vs RAG com vetores, qual é melhor?

Nenhum ganha de forma absoluta. O RAG com vetores é maduro, rápido e forte em casar por significado sobre corpus grandes. O sem vetores é mais novo e forte em documentos estruturados e perguntas de valor exato, com infraestrutura mais simples, mas mais custo de raciocínio por consulta. Para a maioria das empresas, o melhor é uma abordagem híbrida que mande cada pergunta ao método que encaixa.

Fontes

• PageIndex (VectifyAI): github.com/VectifyAI/PageIndex — RAG sem vetores, baseado em raciocínio; 98,7% no FinanceBench (número do fabricante).
• «Keyword search is all you need»: Subramanian et al., arXiv:2602.23368 — a busca agêntica por palavras-chave atinge mais de 90% do desempenho do RAG tradicional sem banco vetorial.
• Context Rot (Chroma): research.trychroma.com/context-rot — a precisão do modelo piora à medida que o contexto cresce.