Início
Início
Entrar
  1. Formação em Agentes IA e Automações
  3. RAG & Vector Store
Armazenando texto em um banco de dados vetorial

Como integrar essa busca semântica no seu app

Integre a busca semântica no seu aplicativo criando um sistema de busca vetorial eficiente com API e front-end. Aprenda a conectar dados e otimizar a experiência do usuário de forma prática.

Acesso Restrito

Faça login para acessar o conteúdo desta aula.

Fazer loginVoltar para o curso
AnteriorPróxima

Copyright ©2026 - Todos os direitos reservados
Feito com ☕ e alguns bilhões de tokens de IA

Bancos de Dados Vetoriais e RAG
Progresso do Módulo
0 de 26 aulas concluídas
Introdução5 min
Quais ferramentas iremos utilizar?3 min
O que são vetores?13 min
O que são Embeddings?7 min
Modelos de Embedding10 min
O que são Bancos de Dados Vetoriais?11 min
Por que vetorizar?10 min
O que é RAG (Retrieval-Augmented Generation)4 min
Por que usar RAG ao invés de outras abordagens12 min
Qual projeto iremos construir4 min
Como criar um projeto e uma chave API na OpenAI3 min
Como criar um banco de dados de vetores no Supabase5 min
Como popular os dados para Supabase Vector Store usando N8N11 min
Como definir os valores de Text Splitter10 min
Como deletar os dados de um certo documento5 min
Como fazer o Update dos dados2 min
Como listar os dados baseado na busca de similaridade (similarity)13 min
Como integrar essa busca semântica no seu app14 min
Qual projeto iremos construir para as imagens2 min
Introdução ao OCR e Embeddings de Imagens6 min
Como configurar o Supabase para imagens vetorizadas2 min
Como fazer o embedding de imagens7 min
Como buscar imagens através de busca textual8 min
Como monitorar custos de APIs de Embedding em produção5 min
Conclusão e próximos passos1 min
Avaliação do Módulo