Uma busca vetorial, em sua essência, não tem nada de mágico. É pura geometria.
Quando você constrói um RAG (Retrieval-Augmented Generation) e busca uma informação, o que o seu banco de dados faz é calcular a distância geométrica entre a Frase A (sua query) e a Frase B (seu documento). Se a distância for curta, as informações são semanticamente próximas.
Mas é exatamente aí que mora um dos erros arquiteturais mais silenciosos e destrutivos: O que acontece se a Frase A estiver em um espaço vetorial completamente diferente do espaço da Frase B?
Quando isso acontece? Deixe-me desenhar um cenário clássico que derruba muita gente boa.
Suponha uma linha do tempo com três momentos (T1, T2 e T3), representando as evoluções do seu sistema ao longo de um ano:
T1 (Janeiro): O sistema nasce. Os primeiros dados entram na base de dados e seus embeddings são gerados por um modelo mais antigo (ex: um equivalente da família GPT-1).
T2 (Junho): O projeto ganha tração. A API do modelo antigo ficou obsoleta ou você quer mais qualidade. Você atualiza a esteira de ingestão para um modelo moderno, como o GPT-4.5.
T3 (Dezembro): Você decide otimizar custos e percebe que o DeepSeek entrega o que você precisa por uma fração do preço. Você altera o modelo de geração de embeddings mais uma vez.
O que vai acontecer em T3? A matemática da coisa simplesmente deixa de funcionar.
Quando um usuário fizer uma busca no T3 que deveria dar match perfeito com um documento salvo lá no T1, eles nunca vão se encontrar. Mesmo que as frases sejam exatamente as mesmas.
A partir daqui, quebramos a cabeça para entender como os modelos e a matemática realmente funcionam:
Dimensionalidade: O modelo de T1 pode ter gerado um vetor de 768 dimensões. O modelo de T3 gera vetores de 1024 dimensões. Matematicamente, você nem sequer consegue calcular a distância entre eles (são matrizes incompatíveis).
O Espaço Latente: Mesmo que, por coincidência, os três modelos gerassem vetores do mesmo tamanho, o "mapa" que eles criam é único. A coordenada vetorial para a palavra "arquitetura" no espaço do GPT-1 pode apontar para o Norte, enquanto no DeepSeek a mesma palavra aponta para o Sul.
Calcular a similaridade de cossenos entre um vetor do DeepSeek e um vetor do GPT é o equivalente a tentar medir a distância física entre uma coordenada de GPS real e uma coordenada de dentro de um videogame.
A lição que fica:
Construir aplicações baseadas em IA exige mais do que apenas plugar APIs. Exige entender os fundamentos. Você não pode simplesmente trocar o "motor" de embeddings sem migrar (reprocessar) toda a sua base de dados histórica para o novo espaço vetorial.
A abstração esconde a complexidade, mas não perdoa a ignorância matemática.
Top comments (0)