> ## Documentation Index
> Fetch the complete documentation index at: https://private-7c7dfe99-postgresql-tls-support.mintlify.site/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.

<div id="1-create-embeddings">
  ## 1. Criar embeddings
</div>

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 de código aberto em Python [SentenceTransformers](https://www.sbert.net/).

Você pode pensar em um embedding como um grande array de números de ponto flutuante que representa seus dados. [Consulte este guia da OpenAI para saber mais sobre embeddings](https://platform.openai.com/docs/guides/embeddings/what-are-embeddings).

<div id="2-store-the-embeddings">
  ## 2. Armazene os embeddings
</div>

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 análises. Veja um exemplo de tabela que pode armazenar imagens com legendas:

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

<div id="3-search-for-related-embeddings">
  ## 3. Busque embeddings relacionados
</div>

Digamos que você queira buscar imagens de cães no seu conjunto de dados. Você pode usar uma função de distância como `cosineDistance` para pegar o embedding de uma imagem de cão e buscar imagens relacionadas:

```sql theme={null}
SELECT
    _file,
	caption,
	cosineDistance(
        -- Um embedding da sua imagem "input" de cachorro
        [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 a `caption` das 10 imagens com maior probabilidade de estarem relacionadas à imagem de cachorro que você forneceu.

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

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

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