~/questoes/agentes-de-ia
Após converter documentos em vetores numéricos, esses vetores passam por um processo de normalização e são armazenados em índices. Esse armazenamento permite que futuras buscas reutilizem os mesmos vetores sem precisar recalculá-los, tornando o sistema muito mais rápido e eficiente.
Os vetores são normalizados para padronizar suas magnitudes e depois armazenados em estruturas de índice. Isso permite que cada nova consulta do usuário seja comparada rapidamente com todos os documentos já indexados, viabilizando buscas semânticas em larga escala sem desperdício computacional.
Essa é a prática padrão em sistemas de busca semântica. Os vetores são normalizados (ajustados para ter magnitude consistente) e armazenados em um índice, permitindo comparações rápidas com novos vetores de consulta sem recalcular tudo novamente.
Os vetores não retornam ao texto original após serem gerados. O próprio valor de usar embeddings é manter a representação vetorial, que captura o significado semântico melhor do que o texto bruto para fins de comparação e busca.
Nem sempre há um servidor externo envolvido. Muitos sistemas armazenam e processam os vetores localmente ou em bancos de dados especializados (Vector Stores) que já residem na infraestrutura da aplicação, sem necessidade de envio externo automático.
Deletar os vetores seria contraproducente. O objetivo principal de gerar e armazenar embeddings é reutilizá-los múltiplas vezes, economizando processamento e custos. Descartar os vetores eliminaria toda a vantagem de performance.