produto · vector
Busca vetorial que também acha o termo exato
Suba arquivos, receba chunks e embeddings prontos, e busque com fusão híbrida: o braço semântico entende a pergunta, o braço lexical garante que "NF-e 4127" nunca fica enterrada. RAG de produção, sem montar pipeline.
Ingestão de arquivos, não de chunks
Envie PDF, DOCX, Markdown ou texto e a plataforma converte, divide em chunks coerentes e embeda — com acompanhamento ao vivo no console. Cada fonte pode ser habilitada, desabilitada ou reindexada sem perder o histórico.
Híbrida por fusão RRF
Dois rankings independentes — cosine sobre pgvector e full-text lexical — fundidos por reciprocal rank ANTES do corte top-k. Cada hit sai com o badge match: semantic | lexical | both, então dá pra debugar POR QUE um resultado apareceu.
Re-rank LLM quando vale a pena
Para consultas críticas, ligue o re-rank listwise com LLM por chamada e receba a lista reordenada por relevância real — opt-in, porque nem toda busca justifica o custo.
Tenants isolados de verdade
As coleções de cada cliente seu vivem num schema Postgres próprio com role própria — isolamento no banco, não num WHERE. Coleções sem tenant continuam funcionando como recurso do projeto.
# sobe um PDF para a coleção (conversão + chunking + embedding automáticos)
curl -X POST https://data-api.catcher.one/v1/cloudvec/collections/COLLECTION_ID/ingest \
-H "X-API-Key: SUA_API_KEY" -F "file=@manual-do-produto.pdf"
# busca híbrida
curl -X POST https://data-api.catcher.one/v1/cloudvec/collections/COLLECTION_ID/search \
-H "X-API-Key: SUA_API_KEY" -H "Content-Type: application/json" \
-d '{ "query": "prazo de reembolso do plano anual", "k": 8, "hybrid": true }'Do PDF à resposta citada, sem pipeline
Crie uma coleção, arraste os arquivos e busque — o resto é problema nosso.