Vectorize

O que é

Imagine dar a cada foto, frase ou música um conjunto de coordenadas, de forma que coisas parecidas fiquem próximas umas das outras em um mapa — assim, "me encontre mais coisas parecidas com esta" passa a significar apenas "encontre os pontos mais próximos". O Vectorize é o banco de dados vetorial da Cloudflare, um armazenamento construído exatamente para isso. Você salva embeddings — listas de números que capturam o significado de um texto, imagem ou outro dado — e pede os mais parecidos com uma determinada lista. É a metade de recuperação (busca) da busca semântica e do RAG (Retrieval-Augmented Generation, ou Geração Aumentada por Recuperação — alimentar uma IA com fatos relevantes que ela pode citar). Ele se conecta diretamente a um Worker junto com o Workers AI, que pode produzir os embeddings.

Pontos fortes

Construído especificamente para busca por similaridade sobre embeddings, com consultas rápidas de vizinhos mais próximos.
Conecta-se diretamente aos Workers; não é preciso rodar um serviço de vetores separado.
Combina perfeitamente com o Workers AI para um pipeline de RAG completo dentro da Cloudflare.
Suporta filtragem por metadados, para você restringir os resultados.
Sem servidor () e disponível globalmente, escalando junto com sua aplicação.

Contrapontos

Ele armazena vetores e metadados, não seus documentos-fonte — mantenha esses em D1 (um banco de dados ) ou R2 (armazenamento de arquivos).
Você precisa gerar os embeddings você mesmo (por exemplo, via Workers AI) antes de inserir.
As dimensões do índice e a métrica de distância são fixadas na criação — escolha com cuidado.
É um armazenamento especializado, não um banco de dados de uso geral.

Quando usar

Use o Vectorize para busca semântica, recomendações, deduplicação e a etapa de recuperação do RAG — sempre que "encontre as coisas mais parecidas com esta" for melhor do que uma correspondência exata de palavras-chave.

Encaixe no vibe coding

O Vectorize permite que um agente construa um recurso de RAG completo sem sair da Cloudflare: o Workers AI gera os embeddings, o Vectorize os armazena e busca, e o D1 ou R2 guarda os originais. Diga ao agente qual é o modelo de embedding logo de início, porque as dimensões do índice precisam corresponder à saída desse modelo. O exemplo cria um índice e o conecta.

# wrangler.toml
[[vectorize]]
binding = "VECTORIZE"
index_name = "docs-index"

# Dimensions must match your embedding model's output
npx wrangler vectorize create docs-index --dimensions=768 --metric=cosine