Como montar uma base RAG com PostgreSQL + pgvector na sua VPS para alimentar Agentes de IA

1. Arquitetura e pré-requisitos no ambiente

Em vez de contratar serviços externos caros de banco vetorial, você pode usar a imagem oficial pgvector/pgvector:pg16 diretamente no PostgreSQL da sua VPS NVMe.

• Container pgvector/pgvector:pg16 rodando na VPS.
• Modelo de embeddings (ex: text-embedding-3-small da OpenAI com 1536 dimensões).

2. Passo a passo de implementação e validação

1. Conecte no banco PostgreSQL e ative a extensão: CREATE EXTENSION IF NOT EXISTS vector;.
2. Crie a tabela de conhecimento com coluna embedding vector(1536) e metadados em JSONB.
3. Crie um índice HNSW para buscas em milissegundos: CREATE INDEX ON documents USING hnsw (embedding vector_cosine_ops);.
4. No n8n, use o nó Postgres PGVector Store para inserir seus manuais em PDF (divididos em chunks de 500–800 tokens) e conecte como ferramenta do seu AI Agent.

3. Boas práticas de produção, segurança e escala

Em discos SSD NVMe Gen4, consultas HNSW em dezenas de milhares de vetores respondem em menos de 5ms.

• Sempre salve o nome do arquivo de origem e a data de atualização no campo metadata para poder substituir documentos antigos.