Solucionado
Olá,
Durante a aula de bancos vetoriais, o professor apresentou o modo como usar o banco Pinecone, criando um índice e, com base no host e na chave de API, criando o objeto de acesso ao banco com o LangChain. Porém, não entendi por que nessa criação não foi utilizado o método "from_documents" para adicionar os documentos e utlizar os embeddings, conforme nos demais bancos que a gente viu durante o curso. Além disso, aonde entra os embeddings criados nesse contexto?
Oii, Nelson!
É excelente notar como você tá comparando as diferentes formas de inicialização das Vector Stores. Essa é uma confusão muito comum quando mudamos de bancos em memória (como o InMemoryVectorStore) pra bancos gerenciados na nuvem (como o Pinecone).
A principal diferença aqui é o estado do banco de dados.
O Conceito de Conexão vs. Criação:
Nos exemplos anteriores com InMemoryVectorStore ou Chroma.from_documents, você estava criando o banco do zero naquele exato momento. Por isso, precisava passar os documentos e o modelo de embeddings simultaneamente para que o LangChain pudesse processar tudo.
No caso do Pinecone (ou Milvus e outros bancos persistentes), o fluxo geralmente se divide em dois momentos:
Por que não usamos o from_documents o tempo todo?
Se você usar o Pinecone.from_documents toda vez que rodar seu script, você estará enviando e duplicando os mesmos documentos no banco de dados a cada execução. Isso gera custos desnecessários de API e polui sua base de dados.
No código que você viu em aula, o professor seguiu este raciocínio:
add_documents.Onde entram os Embeddings nesse contexto?
Mesmo que você não esteja inserindo documentos novos, o modelo de Embeddings é obrigatório na inicialização por um motivo vital: a sua pergunta.
Quando você faz uma busca (query), o Pinecone não entende texto puro. Ele precisa que a sua pergunta seja transformada em um vetor de números. O modelo de embeddings que você passa na configuração é o responsável por:
Resumo do fluxo:
Pinecone.from_documents(docs, embeddings, ...) ou vectorstore.add_documents(docs).index_name e o embeddings_model.Isso garante que sua aplicação seja rápida, pois ela não precisa reprocessar toda a base de conhecimento toda vez que o usuário abrir o chat.
Conte com o apoio da comunidade Alura na sua jornada. Abraços e bons estudos!