Vector store é onde ficam guardados os pedaços da sua base de conhecimento em forma numérica. O n8n oferece nodes para vários — Qdrant, Supabase, pgvector no Postgres, Pinecone e uma opção em memória para testes. A escolha muda custo, trabalho de manutenção e onde os dados ficam, e este texto compara os três mais usados no Brasil com o critério que costuma decidir.
Adicione ao Google NotíciasNeste artigo
Comece pelo que testa
Existe uma opção que guarda os vetores em memória, sem infraestrutura nenhuma. Ela é perfeita para o que se propõe: entender o mecanismo, testar se a divisão dos documentos funciona, validar as respostas.
E é inadequada para qualquer outra coisa: some quando a instância reinicia e não é compartilhada entre trabalhadores. Use para aprender, nunca para produção.
A comparação
| pgvector | Qdrant | Supabase | |
|---|---|---|---|
| O que é | Extensão do Postgres | Banco vetorial dedicado | Serviço com Postgres e pgvector |
| Infraestrutura nova | Nenhuma, se já tem Postgres | Um serviço a mais | Nenhuma, é gerenciado |
| Custo | Zero adicional | Servidor ou plano | Plano com faixa gratuita |
| Desempenho em volume alto | Bom | Melhor | Bom |
| Dados na sua infraestrutura | Sim | Sim, se hospedar | Não |
| Trabalho de manutenção | Baixo | Médio | Nenhum |
O critério que decide na prática
Já roda n8n com Postgres? Use pgvector. É o caminho mais sensato para a maioria: nenhum serviço novo, nenhum custo adicional, dados no mesmo lugar dos outros e uma peça a menos para manter. Para bases de milhares de trechos — que cobre praticamente todo caso de empresa —, o desempenho é suficiente.
Precisa de desempenho em escala grande? Qdrant. É um banco feito só para isso, e a diferença aparece quando a base passa de centenas de milhares de trechos ou quando a busca precisa ser muito rápida sob volume simultâneo.
Não quer manter servidor? Supabase. É Postgres gerenciado com a extensão pronta. Menos controle e uma dependência externa, em troca de zero manutenção. Bom para quem está começando e não tem infraestrutura própria.
Se os documentos contêm informação sensível — contrato, prontuário, dado de cliente —, lembre que os trechos ficam armazenados no banco vetorial. A escolha de onde ele roda é uma decisão de proteção de dados, não apenas técnica. Serviço gerenciado externo significa que esses trechos saem da sua infraestrutura.
O custo escondido
Vale saber antes de dimensionar: o banco vetorial costuma ser a parte barata. O custo relevante está em converter texto em vetor, e ele aparece em dois momentos.
Na carga inicial, proporcional ao tamanho da base. Um acervo grande custa uma vez.
A cada pergunta, porque a pergunta também precisa virar vetor. Esse é pequeno por unidade e relevante em volume.
O erro que dói: reprocessar a base inteira toda vez que um documento muda. Se apenas um arquivo foi alterado, reprocessar só ele.
Um detalhe que quebra a busca
O modelo usado para converter os documentos precisa ser o mesmo usado para converter as perguntas. Vetores gerados por modelos diferentes não são comparáveis — a busca devolve resultados sem sentido.
Isso significa que trocar de modelo exige reprocessar a base inteira. Vale registrar em algum lugar qual modelo foi usado; descobrir isso por tentativa e erro, meses depois, é frustrante.
Organizando por assunto
Uma prática que melhora bastante a qualidade: separar as bases em coleções distintas — uma para políticas internas, outra para catálogo, outra para documentação técnica.
Assim o agente busca no lugar certo em vez de misturar tudo, e a chance de recuperar um trecho irrelevante cai muito. Também facilita atualizar: mudou o catálogo, reprocessa só o catálogo.
Em memória para aprender, pgvector se você já tem Postgres, Qdrant para escala grande, Supabase para não manter servidor. E use o mesmo modelo de conversão na base e na busca.
Perguntas frequentes
Qual vector store usar no n8n?
Se a instância já usa Postgres, a extensão pgvector costuma ser a melhor escolha: nenhum serviço novo, nenhum custo adicional e desempenho suficiente para bases de milhares de trechos. Para volumes muito grandes, um banco vetorial dedicado rende mais.
Posso usar o vector store em memória em produção?
Não é adequado. Ele serve para testes e aprendizado, porque o conteúdo se perde quando a instância reinicia e não é compartilhado entre processos trabalhadores.
Qual a diferença entre pgvector e Qdrant?
O pgvector é uma extensão do Postgres, então aproveita um banco que você provavelmente já tem. O Qdrant é um banco dedicado a busca vetorial, com desempenho superior em bases muito grandes, ao custo de manter mais um serviço.
Preciso reprocessar a base se trocar de modelo?
Sim. Vetores gerados por modelos diferentes não são comparáveis entre si, então a busca deixa de funcionar corretamente. Trocar o modelo exige converter toda a base novamente.
O que custa mais caro num sistema com base própria?
A conversão de texto em vetores, e não o armazenamento. O custo aparece na carga inicial, proporcional ao tamanho da base, e a cada pergunta, já que a consulta também precisa ser convertida.
