O que são embeddings (representações vetoriais)
Um embedding é uma lista de números que representa o significado de um texto — textos semelhantes têm vetores semelhantes.
O que são embeddings (representações vetoriais) é uma aula grátis de AI Agents no CoddyKit. Esta é a aula 1 de 4. Você pode ler a aula completa abaixo gratuitamente — depois pratica ao vivo no navegador com um editor de código integrado e um tutor de IA 24/7. Faz parte do caminho de aprendizado de AI Agents, e seu progresso é sincronizado entre a web e o app CoddyKit. O curso de AI Agents inclui 4 aulas no total.
Do texto aos números
Uma representação vetorial é uma lista de números (um vetor) que representa o significado de um trecho de texto. Textos com significado semelhante têm vetores próximos no espaço vetorial.
Por que vetores?
Computadores não conseguem fazer cálculos com palavras, mas conseguem fazê-los com números. As representações vetoriais dão a cada texto uma localização em um espaço de alta dimensão, permitindo:
- Medir a similaridade entre textos
- Agrupar itens relacionados
- Fazer buscas semânticas (não apenas por palavra-chave)
Um exemplo de representação vetorial
O modelo text-embedding-3-small da OpenAI retorna 1536 números por texto. Para "hello world", a chamada get retorna algo semelhante a:
embedding = [0.0123, -0.0456, 0.0789, 0.0234, -0.0567, 0.0089, -0.0321]
# Real embeddings have ~1536 floats, each between roughly -1 and 1; this is a shortened example.
print("Example embedding (7 of ~1536 dimensions shown):", embedding)
Textos semelhantes, vetores semelhantes
Os pares abaixo obtêm vetores próximos:
- "rei" e "rainha"
- "feliz" e "alegre"
- "carro" e "automóvel"
O par "rei" e "pizza" obtém vetores muito distantes.
Dimensionalidade
Mais dimensões = mais nuances, mas também mais armazenamento. Tamanhos comuns:
- OpenAI text-embedding-3-small: 1536
- OpenAI text-embedding-3-large: 3072
- Cohere embed-multilingual-v3: 1024
- BGE-small (OSS): 384
Semântica versus léxico
A busca lexical (Elasticsearch, BM25) encontra palavras-chave. A busca semântica (representações vetoriais) encontra significados.
"Como conserto meu carro?" corresponde semanticamente a "dicas de conserto de automóveis" — mesmo que não compartilhem nenhuma palavra.
Representações vetoriais para documentos
Você pode vetorizar:
- Consultas curtas
- Frases
- Parágrafos (aproximadamente 500 tokens é o ponto ideal)
- Documentos inteiros (com perda de qualidade)
Representações vetoriais para código
Existem modelos de representação vetorial específicos para código (por exemplo, Voyage Code e Jina Code) que entendem a sintaxe de programação e superam as representações vetoriais gerais de texto em buscas de código.
Representações vetoriais multimodais
Você pode vetorizar imagens, áudio e vídeo no mesmo espaço que o texto, permitindo buscas entre modalidades. CLIP é o exemplo famoso para imagens.
Viés nas representações vetoriais
As representações vetoriais refletem os dados usados no treinamento. Elas codificam vieses: associações entre gênero e profissão, estereótipos raciais etc. Tenha cuidado ao usá-las em decisões de classificação que envolvam pessoas.
O que as representações vetoriais não podem fazer
- Não podem resolver problemas matemáticos
- Não podem fazer inferências lógicas
- Não podem gerar texto
- Não podem raciocinar sobre causa e efeito
Elas são uma forma de MEASURE similaridade, não de REASON.
Definição de representação vetorial
O que é uma representação vetorial?
Recapitulação
As representações vetoriais transformam texto em vetores. Os vetores permitem busca semântica, agrupamento e RAG. A seguir, vamos gerá-los com a API da OpenAI.
Perguntas Frequentes
A aula “O que são embeddings (representações vetoriais)” é grátis?
Sim — o texto completo de “O que são embeddings (representações vetoriais)” é grátis para ler aqui na web. Para praticá-la interativamente (um editor de código integrado e um tutor de IA 24/7) e desbloquear o restante do curso de AI Agents, atualize para CoddyKit PRO. O curso de AI Agents inclui 4 aulas no total.
O que vou aprender em “O que são embeddings (representações vetoriais)”?
Um embedding é uma lista de números que representa o significado de um texto — textos semelhantes têm vetores semelhantes. Você pratica AI Agents com código prático que executa diretamente no navegador, e um tutor de IA 24/7 responde suas dúvidas enquanto trabalha na aula.
Preciso ter experiência prévia para começar AI Agents?
Nenhuma experiência prévia é necessária. AI Agents no CoddyKit é estruturado para alunos iniciantes até avançados, então você pode começar aqui ou desde o início e aprender no seu ritmo. Esta é a aula 1 de 4.
Quanto tempo leva a aula “O que são embeddings (representações vetoriais)”?
A maioria das aulas CoddyKit leva cerca de 5–10 minutos. Cada uma é compacta e interativa, então você faz progresso constante e retoma exatamente de onde parou entre web e app.
Posso escrever e executar código nesta aula de AI Agents?
Sim. Cada aula de AI Agents inclui um editor de código integrado, então você escreve e executa código real direto no navegador e recebe feedback de IA instantaneamente — nenhuma configuração local necessária.
Todas as aulas deste curso
- O que são embeddings (representações vetoriais)
- Gerando embeddings com text-embedding-3
- Similaridade de cosseno para recuperação
- Comparação de modelos de embedding (OpenAI vs. Cohere vs. OSS)