> ## 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.

# É possível usar o ClickHouse para busca vetorial?

> Aprenda a usar o ClickHouse para busca vetorial, incluindo o armazenamento de embeddings e a realização de buscas com funções de distância, como a similaridade de cosseno.

{frontMatter.description}

<div id="clickhouse-for-vector-search">
  ## ClickHouse para busca vetorial!
</div>

Sim, o ClickHouse pode realizar busca vetorial.

As principais vantagens de usar o ClickHouse para busca vetorial, em comparação com bancos de dados vetoriais mais especializados, incluem:

* Usar os recursos de filtragem e busca de texto completo do ClickHouse para refinar seus dados antes de realizar uma busca.
* Fazer análises nos seus dados.
* Executar um `JOIN` com seus dados existentes.
* Não precisar gerenciar mais um banco de dados e complicar sua infraestrutura.

Aqui está um tutorial rápido sobre como usar o ClickHouse para busca vetorial.

<Steps>
  <Step title="Criar embeddings">
    Seus dados (documentos, imagens ou dados estruturados) devem ser convertidos em *embeddings*. Recomendamos criar embeddings usando a [OpenAI Embeddings API](https://platform.openai.com/docs/api-reference/embeddings) ou a biblioteca Python de código aberto [SentenceTransformers](https://www.sbert.net/).

    Você pode pensar em um embedding como um grande vetor de números de ponto flutuante que representa seus dados. [Confira este guia da OpenAI para saber mais sobre embeddings](https://developers.openai.com/api/docs/guides/embeddings).
  </Step>

  <Step title="Armazenar os embeddings">
    Depois de gerar os embeddings, você precisa armazená-los no ClickHouse. Cada embedding deve ser armazenado em uma linha separada e pode incluir metadados para filtragem, agregações ou analytics. Aqui está um exemplo de uma tabela que pode armazenar imagens com legendas:

    ```sql theme={null}
    CREATE TABLE images
    (
    	`_file` LowCardinality(String),
    	`caption` String,
    	`image_embedding` Array(Float32)
    )
    ENGINE = MergeTree;
    ```
  </Step>

  <Step title="Buscar embeddings relacionados">
    Digamos que você queira buscar fotos de cachorros nos seus dados. Você pode usar uma função de distância como `cosineDistance` para usar o embedding de uma imagem de cachorro como entrada e buscar imagens relacionadas:

    ```sql theme={null}
    SELECT
        _file,
    	caption,
    	cosineDistance(
            -- Um embedding da sua imagem de cachorro de "entrada"
            [0.5736801028251648, 0.2516217529773712, ...,  -0.6825592517852783],
            image_embedding
        ) AS score
    FROM images
    ORDER BY score ASC
    LIMIT 10
    ```

    Esta consulta retorna os nomes de `_file` e `caption` das 10 imagens com maior probabilidade de estarem relacionadas à imagem de cachorro fornecida.
  </Step>
</Steps>

<div id="further-reading">
  ## Leitura complementar
</div>

Para acompanhar um tutorial mais aprofundado sobre busca vetorial usando ClickHouse, consulte:

* [Busca vetorial exata e aproximada](/docs/pt-BR/reference/engines/table-engines/mergetree-family/annindexes)