Embeddings

Embeddings

O modulo wippy/embeddings fornece armazenamento de embeddings vetoriais e busca por similaridade tanto para PostgreSQL (pgvector) quanto para SQLite (sqlite-vec). Ele encapsula wippy/llm para gerar embeddings e os persiste em um banco de dados da aplicacao.

Configuracao

Adicione o modulo ao seu projeto:

wippy add wippy/embeddings
wippy install

Declare a dependencia e aponte o requisito target_db para o banco de dados da sua aplicacao:

version: "1.0"
namespace: app

entries:
  - name: app_db
    kind: db.sql.sqlite
    path: ./data/app.db

  - name: dep.embeddings
    kind: ns.dependency
    component: wippy/embeddings
    version: "*"

  - name: target_db
    kind: registry.entry
    meta:
      wippy.embeddings.target_db: app:app_db

Na inicializacao, wippy/migration seleciona a migracao 01_create_embeddings_table e cria a tabela embeddings com o indice vetorial apropriado para o driver do seu banco de dados.

Constantes de Configuracao

A configuracao padrao esta embutida no modulo:

Constante	Padrao	Descricao
EMBEDDING_MODEL	text-embedding-3-small	Modelo LLM usado para gerar vetores
EMBEDDING_DIMENSIONS	512	Tamanho do vetor passado ao modelo
MAX_TOKENS_PER_REQUEST	8000	Orcamento de tokens por chamada; lotes grandes sao divididos
DEFAULT_SEARCH_LIMIT	10	Numero padrao de resultados retornados por search

Os tokens sao estimados como #text / 4. Lotes que excedem o orcamento sao divididos automaticamente.

Importacao

entries:
  - name: my_app
    kind: library.lua
    source: file://my_app.lua
    imports:
      embeddings: wippy.embeddings:embeddings

local embeddings = require("embeddings")

API de Alto Nivel (wippy.embeddings:embeddings)

add

local result, err = embeddings.add(content, content_type, origin_id, context_id, meta)

Gera um embedding para content e o persiste.

Parametro	Tipo	Obrigatorio	Descricao
content	string	sim	Texto a ser embutido
content_type	string	sim	Rotulo livre, ex.: "document_chunk", "question"
origin_id	string	sim	Identificador do documento ou registro de origem
context_id	string	nao	Chave adicional de escopo (secao, chat, tenant)
meta	table	nao	Metadados arbitrarios serializaveis em JSON

Retorna { id, content, content_type, origin_id, context_id, meta } ou nil, err.

add_batch

local result, err = embeddings.add_batch({
    { content = "...", content_type = "chunk", origin_id = "doc-1" },
    { content = "...", content_type = "chunk", origin_id = "doc-1", context_id = "s1" },
})

Gera embeddings e armazena muitos itens em uma unica chamada. Se a contagem total estimada de tokens exceder MAX_TOKENS_PER_REQUEST, o lote e dividido e processado em partes. Retorna { count, items = { ... } }.

search

local hits, err = embeddings.search("how do migrations work?", {
    content_type = "document_chunk",
    origin_id    = "doc-1",
    context_id   = "section-2",
    limit        = 10,
})

Gera um embedding para a string de consulta e executa uma busca por similaridade contra os vetores armazenados. Todos os filtros sao opcionais; os registros correspondentes sao ordenados por similaridade.

find_by_type

local hits, err = embeddings.find_by_type(query, content_type, { limit = 10 })

Envoltorio de conveniencia para search restrito a um unico content_type.

find_by_origin

local hits, err = embeddings.find_by_origin(query, origin_id, {
    content_type = "document_chunk",
    context_id   = "section-2",
    limit        = 5,
})

Envoltorio de conveniencia restrito a um unico origin_id, com possibilidade de restricao adicional.

API do Repositorio (wippy.embeddings:embedding_repo)

Use o repositorio diretamente quando voce ja tiver um vetor e quiser pular a geracao do embedding:

Funcao	Descricao
embedding_repo.add(content, content_type, origin_id, context_id, meta, embedding)	Insere um vetor pre-computado
embedding_repo.add_batch(batch)	Insere muitos vetores pre-computados em uma unica instrucao
embedding_repo.get_by_origin(origin_id)	Lista todos os registros de uma dada origem
embedding_repo.delete_by_origin(origin_id)	Remove todos os registros de uma dada origem
embedding_repo.delete_by_entry(entry_id)	Remove um unico registro pelo seu id de linha
embedding_repo.search_by_embedding(vector, options)	Busca por similaridade contra um vetor bruto

search_by_embedding aceita { content_type, origin_id, context_id, limit }.

Suporte a Banco de Dados

A migracao cria o schema apropriado para o driver do banco de dados em target_db:

• PostgreSQL - tabela embeddings com uma coluna vector(512) e um indice IVFFlat. Requer a extensao pgvector.
• SQLite - tabela embeddings com o vetor armazenado como texto, alem de uma tabela virtual sqlite-vec complementar para busca KNN.

Os vetores sao sempre transportados como um array JSON simples na camada da API.

Veja Tambem

• LLM - llm.embed(...) para geracao bruta de embeddings
• Migracoes - Executor de migracoes que provisiona a tabela
• Visao Geral do Framework - Uso dos modulos do framework