Capítulo 5

Retrieval

Busca semântica: como encontrar chunks relevantes no espaço vetorial usando similaridade geométrica.

🔍 Busca Vetorial vs LIKE

🔤

Busca Tradicional (LIKE)

关键词匹配

SELECT * FROM articles
WHERE title LIKE '%contrato%'

✗Procura palavra exata
✗"acordo" não encontra "contrato"
✗Semanter significado

🔢

Busca Vetorial

Similaridade semântica

SELECT id, chunk,
1 - (embedding <=> ?) AS similarity
FROM articles

✓Procura por significado
✓"acordo" encontra "contrato"
✓Geometria no espaço vetorial

📊 Métricas de Retrieval

Métrica	Descrição	Uso
Cosine Similarity	Ângulo entre vetores (-1 a 1)	Recomendado para texto
Euclidean Distance	Distância reta entre vetores	Quando magnitude importa
Dot Product	Produto escalar	Com normalização

Recomendado: Cosine Similarity para texto. O operador <=> no PostgreSQL usa cosine similarity por padrão com pgvector.

💻 RetrievalService — Laravel

app/Services/RetrievalService.php

<?php
class RetrievalService
{
    public function search(string $query, int $limit = 5): Collection
    {
        // 1. Gerar embedding da query
        $queryEmbedding = $this->embeddingService->generate($query);

        // 2. Busca vetorial
        $results = DB::select("
            SELECT id, chunk,
                   1 - (embedding <=> ?) AS similarity
            FROM articles
            WHERE embedding <=> ? < 0.5  -- limiar
            ORDER BY embedding <=> ?
            LIMIT ?
        ", [
            json_encode($queryEmbedding),
            json_encode($queryEmbedding),
            json_encode($queryEmbedding),
            $limit,
        ]);

        // 3. Re-rank com score
        return collect($results)
            ->sortByDesc("string">'similarity')
            ->values();
    }
}

← Anterior: Storage Próximo: RAG no Prompt →