> ## Documentation Index
> Fetch the complete documentation index at: https://clickhouse.com/docs/llms.txt
> Use this file to discover all available pages before exploring further.

# configurações de sessão vector_search_*

> Configurações de sessão do ClickHouse no grupo vector_search_* gerado.

export const SettingsInfoBlock = ({type, default_value, changeable_without_restart}) => {
  return <div className="not-prose" style={{
    display: "flex",
    flexWrap: "wrap",
    alignItems: "baseline",
    columnGap: "0.5rem",
    rowGap: "0.125rem",
    margin: "0.375rem 0",
    fontSize: "0.8125rem",
    lineHeight: "1.125rem"
  }}>
      <div style={{
    fontWeight: 600,
    opacity: 0.72
  }}>Tipo</div>
      <div style={{
    overflowWrap: "anywhere"
  }}>{type}</div>
      <div style={{
    fontWeight: 600,
    opacity: 0.72,
    marginInlineStart: "0.5rem"
  }}>Padrão</div>
      <div style={{
    overflowWrap: "anywhere"
  }}>{default_value}</div>
      {changeable_without_restart && <div style={{
    fontWeight: 600,
    opacity: 0.72,
    marginInlineStart: "0.5rem"
  }}>
          Pode ser alterado sem reiniciar
        </div>}
      {changeable_without_restart && <div style={{
    overflowWrap: "anywhere"
  }}>
          {changeable_without_restart}
        </div>}
    </div>;
};

Estas configurações estão disponíveis em [system.settings](/docs/pt-BR/reference/system-tables/settings) e são geradas automaticamente a partir do [código-fonte](https://github.com/ClickHouse/ClickHouse/blob/master/src/Core/Settings.cpp).

<div id="vector_search_filter_strategy">
  ## vector\_search\_filter\_strategy
</div>

<SettingsInfoBlock type="VectorSearchFilterStrategy" default_value="auto" />

<VersionHistory rows={[{"id": "row-1","items": [{"label": "25.5"},{"label": "auto"},{"label": "Nova configuração"}]}]} />

Se uma consulta de busca vetorial incluir uma cláusula WHERE, esta configuração determina se essa cláusula será avaliada primeiro (pré-filtragem) ou se o índice de similaridade vetorial será verificado primeiro (pós-filtragem). Valores possíveis:

* 'auto' - Pós-filtragem (a semântica exata pode mudar no futuro).
* 'postfilter' - Use o índice de similaridade vetorial para identificar os vizinhos mais próximos e, em seguida, aplique outros filtros
* 'prefilter' - Avalie outros filtros primeiro e, em seguida, execute a busca por força bruta para identificar os vizinhos.

<div id="vector_search_index_fetch_multiplier">
  ## vector\_search\_index\_fetch\_multiplier
</div>

**Aliases**: `vector_search_postfilter_multiplier`

<SettingsInfoBlock type="Float" default_value="1" />

<VersionHistory rows={[{"id": "row-1","items": [{"label": "25.8"},{"label": "1"},{"label": "Alias para a configuração 'vector_search_postfilter_multiplier'"}]}]} />

Multiplica por esse número a quantidade de vizinhos mais próximos recuperados do índice de similaridade vetorial. Aplicado apenas na pós-filtragem com outros predicados ou quando a configuração 'vector\_search\_with\_rescoring = 1' está definida. Intervalo válido: \[1.0, 1000.0]. Valores fora desse intervalo são rejeitados.

<div id="vector_search_use_quantized_codes">
  ## vector\_search\_use\_quantized\_codes
</div>

<SettingsInfoBlock type="Bool" default_value="0" />

<VersionHistory rows={[{"id": "row-1","items": [{"label": "26.7"},{"label": "0"},{"label": "Nova configuração para ativar a otimização de busca vetorial aproximada em dois estágios sobre um codec de coluna Quantize(...); por padrão, as consultas continuam exatas."}]}]} />

Habilita uma busca vetorial aproximada em dois estágios sem índice (varredura por força bruta) em uma coluna comprimida com `Quantized`. Quando habilitado, `ORDER BY L2Distance|cosineDistance(vec, reference) LIMIT k` sobre uma coluna codificada com um codec `Quantized(...)` irá

1. fazer a varredura e filtrar os vetores quantizados (esta etapa produz `k * vector_search_index_fetch_multiplier` resultados), e
2. recalcular a pontuação dos vetores encontrados com base nos vetores originais em precisão total.

<div id="vector_search_with_rescoring">
  ## vector\_search\_with\_rescoring
</div>

<SettingsInfoBlock type="Bool" default_value="0" />

<VersionHistory rows={[{"id": "row-1","items": [{"label": "25.8"},{"label": "0"},{"label": "Nova configuração."}]}]} />

Se o ClickHouse realiza rescoring para consultas que usam o índice de similaridade vetorial.
Sem rescoring, o índice de similaridade vetorial retorna diretamente as linhas com as melhores correspondências.
Com rescoring, o índice de similaridade vetorial busca linhas candidatas, e o ClickHouse calcula a distância exata
dessas linhas a partir dos vetores originais com precisão completa no pipeline SQL normal.
Quando possível, o ClickHouse filtra a varredura para as linhas candidatas antes do cálculo final da distância.
Aumente `vector_search_index_fetch_multiplier` se forem necessárias mais linhas candidatas para melhorar o recall, especialmente
com filtros adicionais ou índices vetoriais quantizados.
Observação: uma consulta executada sem rescoring e com réplicas paralelas habilitadas pode usar rescoring como alternativa.