Voyage AI: A Precisão por Trás do Vectora

Enquanto o Gemini 3 Flash fornece o raciocínio, a precisão da busca do Vectora depende do Voyage AI. Especificamente, usamos o Voyage 4 para embeddings e o Voyage Rerank 2.5 para garantir que apenas os trechos de código mais relevantes alcancem o LLM.

O Coração da Recuperação do Vectora: Voyage 4 & Rerank 2.5

Vectora utiliza o estado da arte em modelos de embedding e reranking para garantir que o contexto enviado ao modelo de linguagem seja o mais preciso possível, minimizando alucinações e otimizando custos.

Por que Voyage AI?

Testamos os principais modelos de embedding. Aqui está a realidade para a recuperação de código:

Comparação de Modelos de Embedding (Busca de Código)

Por que Voyage Vence para Desenvolvedores

1. Ajuste Específico para Código: O Voyage 4 é treinado especificamente em vastos repositórios de código-fonte (Python, TS, Go, Rust), compreendendo sintaxes complexas melhor do que modelos de uso geral.
2. Eficiência: 1.536 dimensões fornecem o equilíbrio perfeito entre precisão de recuperação e custo de armazenamento.
3. Janela Ampla: O suporte a 32K tokens permite que “pedaços” (chunks) ou arquivos muito maiores sejam processados sem perder o contexto.
4. Integração com Reranking: O Voyage Rerank 2.5 trabalha perfeitamente com o Voyage 4, reduzindo o ruído e aumentando a “precisão em 1” (P@1).

Arquitetura: O Pipeline de Vetores

Vectora utiliza um pipeline de recuperação em duas etapas:

1. Busca Vetorial (Recuperação Grossa)

1. Fragmentação (Chunking): Seu código é dividido em pedaços otimizados com reconhecimento de AST via Tree-sitter.
2. Embedding: O Voyage 4 converte esses pedaços em vetores de alta dimensão.
3. Indexação: Os vetores são armazenados em um índice Qdrant HNSW.
4. Consulta: Quando você pesquisa, sua pergunta é convertida em embedding e o Qdrant encontra os 50-100 vizinhos mais próximos.

2. Reranking (Filtragem Fina)

A busca vetorial sozinha pode retornar pedaços que são semanticamente semelhantes, mas tecnicamente irrelevantes. O Voyage Rerank 2.5 reavalia os principais resultados:

• Correspondência Semântica: Este código realmente resolve o problema do usuário?
• Relevância Contextual: Este é o arquivo correto ou apenas um padrão de sintaxe semelhante?
• Resultado: Os 5 pedaços com maior pontuação são enviados ao Gemini.

Benefícios do Reranking

Sem um reranker, o LLM frequentemente fica “confuso” com códigos que parecem semelhantes, mas estão incorretos. O reranking proporciona:

• Maior Qualidade: Reduz alucinações ao fornecer apenas verdadeiros positivos.
• Menor Custo: Reduz os tokens enviados ao LLM filtrando informações irrelevantes.
• Melhor UX: As respostas parecem mais “conscientes” da estrutura específica do seu projeto.

Configuração

Para usar o Voyage AI, certifique-se de que seu vectora.config.yaml esteja configurado:

providers:
  embedding:
    name: "voyage"
    model: "voyage-4"
    api_key: "${VOYAGE_API_KEY}"

  reranker:
    name: "voyage"
    model: "voyage-rerank-2.5"
    api_key: "${VOYAGE_API_KEY}"

Preços & Cotas

O Voyage AI é extremamente econômico:

A maioria dos projetos de pequeno a médio porte custa menos de $1/mês em taxas de API do Voyage no plano Free (BYOK).

External Linking

Parte do ecossistema Vectora · Open Source (MIT) · Contribuidores