O banco de dados vetorial open source mais amplamente implantado

Veja por que o Elasticsearch é a norma.

Iniciar avaliação gratuita

O que há de novo: BBQ

O que seu banco de dados vetorial deve fazer por você?

Saiba o que é um banco de dados vetorial

Busca de vetores: contexto, intenção, relacionamentos
A busca de similaridade semântica pode retornar os resultados corretos — mesmo quando as palavras não correspondem exatamente.
Tutorial prático
Busca híbrida: precisão + flexibilidade
A busca de palavras-chave é precisa. A busca vetorial é complexa. A busca híbrida une os dois.
Exemplos de busca híbrida
Vetores esparsos x densos: rápido e eficiente
A expansão de texto esparsa e as correspondências de significado densas são perfeitas para buscas abertas no mundo real.
Tipos de classificação de documentos
Filtros, classificação, reclassificação: relevância com contexto
Os filtros reduzem o escopo, a classificação encontra o sinal — ambos problemas difíceis, mas que são ótimos quando bem feitos.
Busca kNN filtrada

Elasticsearch: mais do que apenas vetores, adorado pelos desenvolvedores

Sem lacunas ou concessões — tudo funciona em conjunto, porque foi construído dessa forma.

Busca híbrida que entende tudo
A busca híbrida do Elasticsearch combina busca lexical, modelos Jina AI de terceiros ou nativos para busca semântica, dados geográficos, metadados e muito mais em uma única chamada de API. Classifique os resultados por significado, precisão e contexto.
Facetas e filtros, sem atraso
Filtros e facetas que funcionam rapidamente, mesmo em grande escala — sem lentidão, sem varreduras completas do índice. A Elastic combina a recuperação de aNN com filtros para criar o escopo certo, independentemente de redimensionar.
Inferência nativa de GPU com modelos de Jina AI
O Elastic Inference Service (EIS) entrega inferência de GPU diretamente no Elasticsearch, melhorando fluxos de trabalho de IA rápidos e escaláveis usando modelos integrados da Jina AI com a flexibilidade de conectar-se a modelos que você já usa através da API de Inference.
Mais vetores. Menos memória. Sem concessões.
O
Better Binary Quantization (BBQ) reduz o consumo de memória em até 95%, ao mesmo tempo em que oferece grande precisão. Cálculos de distância otimizados e recuperação de aNN aceleram a busca de vetores em larga escala.
Busca semântica, menos etapas
O campo semantic_text lida automaticamente com mapeamentos, incorporações e agrupamentos — proporcionando uma recuperação densa verdadeiramente perfeita em uma única consulta.
Teste o RAG rapidamente — sem necessidade de configuração
Pare com as suposições. AI Playground permite testar estratégias híbridas de recuperação, classificação de relevância e fragmentação em tempo real, para que você possa ajustar e enviar consultas testadas com confiança.

Implante onde e como quiser — nuvem soberana hospedada ou serverless na AWS, Azure ou Google Cloud; no local; ou em redes totalmente air-gapped.

Conferir agora Veja os preços ECE

Uma chamada e só

Indexe, busque, filtre e aplique RBAC — em texto, embeddings, geodados, séries temporais ou metadados.

Gerar embeddings
Capte significado, contexto e associações transformando dados em vetores densos. Crie posts de blog sobre embeddings
POST _inference/my-e5-endpoint { "input": "How many adult mallard ducks fit in an american football field?" }

Índices de embeddings

O armazenamento vetorial do Elasticsearch se baseia no algoritmo HNSW do Lucene, que excede os benchmarks comparativos (veja 'luceneknn').

Nossa abordagem de busca vetorial

PUT my-index
{
  "mappings": {
    "properties": {
      "my_vector": {
        "type": "dense_vector"
      },
      "my_text" : {
        "type" : "text"
      },
      "category": {
        "type": "text"
      }
    }
  }
}



# Index a document
PUT my-index/_doc/2
{
  "my_vector" : [
        0.018743202,
        -0.011059246,
   …
        0.05155631,
        0.04044561
      ],
  "my_text" :"57,000 average sized mallard ducks fit on an American football field",
"category" : "weird_stats"
}

Embeddings de busca

Execute uma pesquisa kNN para se adequar ao seu caso de uso - aplique o algoritmo ANN para obter velocidade e escala usando o índice HNSW do Lucene ou a correspondência exata.

Explore ANN e KNN.

GET /my-index/_search
{
  "retriever": {
    "knn": { 
      "field": "my_vector", 
      "query_vector_builder":{
      "text_embedding": {
        "model_id": "my-e5-endpoint",
        "model_text": "How many adult mallard ducks fit in an american football field??"
      }
    }, 
      "k": 10, 
      "num_candidates": 10 
    }
  }
}

Use filtros e lapidação para refinar a busca

Confie na rica estrutura de recursos de filtragem e lapidação do Elasticsearch disponíveis para pesquisa vetorial para criar aplicações intuitivas para o usuário final.

Leia sobre filtragem kNN

Saiba mais sobre lapidação

GET /my-index/_search
{
  "retriever": {
    "knn": {
      "field": "my_vector",
      "query_vector_builder":{
      "text_embedding": {
        "model_id": "my-e5-endpoint",
        "model_text": "How many adult mallard ducks fit in an american football field??"
      }
    }, 
      "k": 10,
      "num_candidates": 10,
      "filter": [
        {
          "term": {
            "category": "weird_stats"
          }
        }
      ]
    }
  }
}

Combine métodos de recuperação com busca híbrida

Com a recuperação híbrida, escolha entre os métodos de recuperação que oferecem os melhores resultados para o seu caso de uso: BM25, modelo de codificador esparso treinado da Elastic (ELSER) ou vetores densos.

Assista ao vídeo sobre pesquisa híbrida

GET /my-index/_search
{
  "retriever": {
    "rrf": {
      "retrievers": [
        {
          "standard": {
            "query": {
              "bool": {
                "filter": [
                  {
                    "term": {
                      "category": "weird_stats"
                    }
                  }
                ]
              }
            }
          }
        },
        {
          "knn": {
            "field": "vector",
            "query_vector_builder": {
              "text_embedding": {
                "model_id": "my-e5-endpoint",
                "model_text": "How many adult mallard ducks fit in an american football field??"
              }
            },
            "k": 10,
            "num_candidates": 10
          }
        }
      ],
      "rank_constant": 1,
      "rank_window_size": 50
    }
  }
}

Aplique autorização de segurança e conformidade em nível de documento

Atribua controles de acesso por função granulares com segurança em nível de campo e documento, com cobertura em todos os frameworks de conformidade amplamente adotados.

Configure a autorização

Configure a conformidade

POST /_security/role/employee_role {
  "indices": [
    {
      "names": [ "example-index" ],
      "privileges": [ "read" ],
      "field_security" : {
        "grant" : [ "state", "name.first", "name.last" ]
      }
    }
  ]
}


GET example-index/_search {
  "query": {...},
  "knn" = {...},
  "aggs": {...}
}

POST _inference/my-e5-endpoint
{
  "input": "How many adult mallard ducks fit in an american football field?"
}

O melhor da categoria? Integrado diretamente

Comece com os modelos Jina AI, integrados ao Elasticsearch. Ou conecte-se aos modelos que você já usa por meio de integrações nativas em todo o ecossistema de IA.

Um bairro de alta qualidade

Das instruções ao produto, essas organizações confiam na Elastic para desenvolver a busca de última geração.

Cliente em destaque
A Reed, a maior recrutadora do Reino Unido, reúne profissionais e empregadores usando incorporações vetoriais no Elasticsearch.
Saiba mais
Cliente em destaque
O Stack Overflow combina o poder dos especialistas humanos com a IA generativa para acelerar a recuperação de informações confiáveis das bases de conhecimento dos desenvolvedores.
Saiba mais
Cliente em destaque
A Adobe redimensiona, gerencia vários casos de uso e coloca os recursos de machine learning para trabalhar com a Elastic.
Saiba mais

Superset de banco de dados vetorial

Escolha um banco de dados vetorial com base na experiência de busca vetorial que você quer criar.

Outros bancos de dados vetoriais

Elasticsearch

Ingerir, analisar e indexar

Modelo de documento flexível

suporte parcial

suporte completo (gratuito)

Armazenamento seguro (segurança no nível de campo e documento)

suporte parcial

suporte completo (pago)

Processe dados estruturados e dados não estruturados

suporte parcial

suporte completo (gratuito)

Ferramentas de ingestão (clientes, rastreador da web,* conectores,* pipelines de inferência*)

suporte parcial

suporte completo (*pago)

Atualizações de documentos e metadados em tempo real

suporte parcial

suporte completo (gratuito)

Texto semântico para armazenamento vetorial otimizado

suporte parcial

suporte completo (gratuito)

Embeddings

Recuperação

Implantação

Machine learning

Ferramentas do Elastic

Perguntas frequentes

O que é um banco de dados vetorial e como ele funciona?

Um banco de dados vetorial armazena informações como vetores, que são representações numéricas de objetos de dados, também conhecidos como embeddings vetoriais. Ele utiliza embeddings vetoriais para busca multimodal em um enorme conjunto de dados estruturados, não estruturados e semiestruturados, como imagens, texto, vídeos e áudio. Os bancos de dados vetoriais são construídos para gerenciar embeddings vetoriais e, portanto, oferecem uma solução completa para o gerenciamento de dados.

O que são embeddings vetoriais?

Embeddings vetoriais usam um modelo de machine learning para traduzir texto em números, permitindo que você realize buscas vetoriais. Ao converter dados em vetores, os embeddings facilitam a comparação, a busca e a análise de semelhanças entre itens nesse espaço.

Quais são os benefícios de um banco de dados vetorial?

Um banco de dados vetorial oferece eficiência em escala, permitindo a migração de dados perfeita entre ambientes locais, air-gapped e em nuvem soberana, além de fornecer armazenamento para embeddings vetoriais. Bancos de dados vetoriais se destacam na busca por semelhança, permitindo encontrar itens relacionados com facilidade, o que é essencial para sistemas de recomendação, busca de imagens e descoberta de conteúdo. Com recursos de busca semântica, eles vão além da simples correspondência de palavras-chave, fornecendo resultados com base no significado e no contexto. Ao armazenar embeddings vetoriais, eles suportam aplicações de IA e aprendizado de máquina, facilitando a implantação de modelos de PNL (Processamento de Linguagem Natural) e de recomendação. Para organizações em ambientes regulamentados ou confidenciais — governamentais, de defesa e de serviços financeiros — o Elasticsearch oferece suporte a implantações totalmente locais e air-gapped, sem necessidade de conectividade externa.

O Elasticsearch é um banco de dados vetorial?

Sim, o Elasticsearch é o banco de dados vetorial open source mais amplamente implantado no mundo, oferecendo uma maneira eficiente de criar, armazenar e buscar incorporações de vetores em escala. Com o banco de dados vetorial empresarial da Elastic, você obtém tempos de consulta rápidos e desempenho ideal, mesmo com dados que mudam rapidamente. Construído para redimensionar, ele fornece resultados de busca relevantes e personalizados, ao mesmo tempo em que simplifica os processos de desenvolvimento.

Por que escolher o Elastic como seu banco de dados vetorial?

A Elastic oferece todos os benefícios de um poderoso banco de dados vetorial, juntamente com segurança integrada, conformidade regulatória e alta disponibilidade. Com mais de uma década de experiência em buscas, a Elastic garante relevância de busca de alto nível e opções de implantação flexíveis — incluindo nuvem pública, nuvem soberana, data centers locais e redes air-gapped. Como uma plataforma unificada, a Elastic minimiza a proliferação de ferramentas e a dívida técnica, ao mesmo tempo que fornece respostas precisas com citações de fontes claras.

Posso executar o Elasticsearch como um banco de dados vetorial local ou air-gapped?

Sim. O Elasticsearch pode ser totalmente implementado localmente — em servidores físicos, em nuvem privada ou em redes completamente air-gapped, sem conectividade externa. Agências governamentais, empresas contratadas pela área de defesa e empresas regulamentadas utilizam o Elastic Cloud Enterprise (ECE) para orquestrar clusters Elasticsearch locais em grande escala, inclusive em ambientes confidenciais e desconectados. Todos os recursos de busca vetorial, busca híbrida e RAG disponíveis no Elastic Cloud também estão disponíveis em implementações locais.

Engenharia de contexto

Banco de dados vetorial

Aplicativos baseados em busca

Logs

Proteção contra ameaças

Fluxos de trabalho

Elasticsearch

Kibana (Discover, Dashboards)

Elastic Agent Builder

AutoOps

Linguagem de consulta com barras verticais

Modelos de busca Jina AI

Elastic Cloud Serverless

Elastic Cloud Hosted

Elasticsearch autogerenciado

Busca para e-commerce

Busca para suporte ao cliente

Apps focados em buscas

Analítica de logs

Monitoramento de infraestrutura

Monitoramento da experiência digital

Monitoramento de desempenho do app

AIOps

Observabilidade do LLM

SIEM de última geração

Fluxos de trabalho para segurança

XDR e segurança de endpoint

IA para segurança

10x o valor dos seus dados

Provedor de serviços em nuvem

Ecossistema Elastic AI

Programa Search AI Partner

AV-Comparatives

Líder do Forrester Wave™

Líder do Magic Quadrant da Gartner

Líder do IDC MarketScape

Busca

Segurança

Observabilidade

Começar

Galeria de demonstrações

Downloads

Integrações

Documentos

Elastic Search Labs

Elastic Security Labs

Elastic Observability Labs

Blog

Comunidade

Eventos

Webinars

Discussão

Treinamento

Suporte

Consultoria

O banco de dados vetorial open source mais amplamente implantado

O que seu banco de dados vetorial deve fazer por você?

Busca de vetores: contexto, intenção, relacionamentos

Busca híbrida: precisão + flexibilidade

Vetores esparsos x densos: rápido e eficiente

Filtros, classificação, reclassificação: relevância com contexto

Elasticsearch: mais do que apenas vetores, adorado pelos desenvolvedores

Busca híbrida que entende tudo

Facetas e filtros, sem atraso

Inferência nativa de GPU com modelos de Jina AI

Mais vetores. Menos memória. Sem concessões.

Busca semântica, menos etapas

Teste o RAG rapidamente — sem necessidade de configuração

Implante onde e como quiser — nuvem soberana hospedada ou serverless na AWS, Azure ou Google Cloud; no local; ou em redes totalmente air-gapped.

Uma chamada e só

Gerar embeddings

Índices de embeddings

Embeddings de busca

Use filtros e lapidação para refinar a busca

Combine métodos de recuperação com busca híbrida

Aplique autorização de segurança e conformidade em nível de documento

O melhor da categoria? Integrado diretamente

Um bairro de alta qualidade

Cliente em destaque

Cliente em destaque