pgvector é a extensão do PostgreSQL que adiciona suporte a vetores de embeddings, tornando Postgres uma vector database competente. Em 2026, é uma das opções mais populares para times que já usam Postgres e querem adicionar capacidades vetoriais sem novo banco.
Por que pgvector é tão popular:
- Postgres: você já roda. Não precisa adicionar nova infra.
- Maturidade: extensão estável, em produção em muitas empresas.
- Transações ACID: vetores junto com dados relacionais em transação atômica.
- JOINs: combinar busca vetorial com queries SQL ricas.
- Backup/restore: usa pg_dump como o resto.
- Open source: sem vendor lock-in.
Recursos em 2026 (versão 0.7+):
- Tipos vector com até 16.000 dimensões.
- Índices: HNSW (rápido para query), IVFFlat (rápido para insert).
- Operadores de distância: <-> (L2), <#> (dot product), <=> (cosine).
- Halfvec: vetores em meia precisão (16 bits) para economia.
- Bit vectors: para hashes binários.
- Sparse vectors: para vetores esparsos.
Setup básico:
CREATE EXTENSION vector;CREATE TABLE documentos ( id BIGSERIAL PRIMARY KEY, texto TEXT, embedding vector(1536), -- dimensão do OpenAI text-embedding-3-small metadata JSONB, criado_em TIMESTAMPTZ DEFAULT NOW() );
CREATE INDEX ON documentos USING hnsw (embedding vector_cosine_ops);
-- Buscar 5 mais similares SELECT texto, metadata FROM documentos WHERE metadata->>'categoria' = 'manual' ORDER BY embedding <=> '[0.1, 0.2, ...]'::vector LIMIT 5; ```
Quando pgvector é boa escolha:
- Já usa Postgres: redundante adicionar outro DB.
- Tamanho moderado: até ~10-50M vetores.
- Queries híbridas: filtros SQL complexos + similaridade.
- Compliance: total controle, dados onde você quer.
Quando ir para alternativas:
- >100M vetores: pgvector escala mas dedicados (Qdrant, Milvus) são mais eficientes.
- Latência crítica < 10ms: dedicados são mais rápidos.
- Multi-modal nativo (text + image embeddings com features avançadas): Weaviate, Pinecone têm mais.
Hosting:
- Self-hosted: Postgres em VPS, Docker, Kubernetes.
- Supabase: pgvector incluído, fácil de começar.
- Neon: serverless Postgres com pgvector.
- AWS RDS, Azure DB for Postgres, GCP Cloud SQL: pgvector disponível.
- Crunchy Data, Tembo: managed Postgres especializado.
Tuning:
- HNSW vs IVFFlat: HNSW maior performance de query, mais lento para indexar.
- m e ef_construction (HNSW): tradeoffs entre qualidade e custo.
- Probes (IVFFlat): mais probes = melhor recall, mais lento.
- Vacuum e autovacuum: vital para performance estável.
Para o profissional brasileiro:
- Stack típica brasileira: Next.js + Postgres + pgvector + OpenAI embeddings + Claude/GPT para geração. Combina tudo numa infra simples.
- Hosting nacional: Magalu Cloud, IBM Cloud, AWS São Paulo — Postgres + pgvector no Brasil.
- Setup em horas: muito mais rápido que adotar Pinecone para projetos médios.
Em 2026, pgvector é "SQLite do mundo vetorial" — não o mais poderoso, mas o mais acessível e suficiente para 80% dos casos. Para muitas empresas brasileiras, é a primeira (e às vezes única) vector DB que precisam.