FLOWLEXI.

Um glossário curto

O que fazemos, em palavras simples

Sete ideias por trás da Flowlexi, do PaveDB e do livro Inspectable Retrieval with PaveDB — explicadas para quem administra empresas, não servidores. Cada uma aponta para onde vive no nosso stack.

Busca semântica

A busca clássica encontra as palavras que você digitou. A busca semântica encontra o que você quis dizer: pergunte por “prazos de cancelamento de contrato” e ela também traz a cláusula que diz “qualquer das partes pode rescindir em 30 dias”, mesmo sem nenhuma palavra em comum.

Funciona porque o texto é comparado por significado, não por grafia. Para um negócio, isso muda o valor de uma base de conhecimento: as pessoas encontram respostas escritas com palavras diferentes das da pergunta — ou seja, quase todas.

O PaveDB é um motor de busca feito assim — pavedb.org Voltar ao topo ↑

Embeddings

Um modelo de embeddings lê um trecho de texto e o coloca como um ponto num mapa gigante, onde distância significa semelhança de significado. “Política de reembolso” e “regras de devolução do dinheiro” caem perto; “política de reembolso” e “regras do estacionamento” caem longe.

A busca semântica então se resume a isto: colocar a pergunta no mesmo mapa e olhar o que está por perto. Qual modelo desenhou o mapa — e qual versão dele — decide tudo sobre os resultados.

Veja os modelos que o PaveDB roda — pavedb.org/docs Voltar ao topo ↑

Um banco de dados vetorial inspecionável

Um banco vetorial guarda esses pontos do mapa e encontra vizinhos rápido, em milhões de documentos. A maioria trata isso como um índice caixa-preta: os resultados saem, e é tudo que se pode dizer sobre eles.

Um inspecionável guarda os comprovantes: cada item sabe de que documento veio e qual modelo exato o colocou no mapa; cada consulta pode ser reexecutada depois e devolver a mesma resposta. Quando um resultado alimenta uma decisão que alguém assina, os comprovantes são o que importa.

A ideia tem um livro — inspectableretrieval.com Voltar ao topo ↑

RAG — geração aumentada por recuperação

Modelos de linguagem são fluentes, mas respondem de memória. O RAG faz o modelo pesquisar primeiro: recupera os documentos relevantes e escreve a resposta a partir deles, com citações.

O teto de qualidade de um sistema RAG é a recuperação. Se você não consegue auditar o que foi recuperado e por quê, não consegue explicar a resposta — e é por isso que começamos pelo lado da busca.

Recuperação que você audita — pavedb.org Voltar ao topo ↑

Flows de IA portáveis e declarativos

A maioria das automações de IA é código-cola: lógica enterrada em scripts que só o autor entende. Um flow declarativo descreve os passos num arquivo legível — buscar, decidir, agir — como uma receita, e não um rastro de panelas sujas.

Arquivos legíveis podem ser revisados, versionados e levados de um ambiente para outro. A automação deixa de ser segredo de uma pessoa e vira ativo da empresa.

O Flymmatik roda flows assim — flowlexi.com Voltar ao topo ↑

Modelos self-hosted

Os modelos que leem e escrevem texto — encoders e decoders — podem rodar em hardware que você controla, em vez de uma API de terceiros. Seus documentos não saem de casa; o custo é uma máquina, não um taxímetro; o comportamento não muda porque um fornecedor atualizou algo.

O trade-off é honesto: quem opera a máquina é você. Essa é exatamente a parte que vendemos como serviço, para quando você preferir não operar.

Instâncias gerenciadas, as chaves são suas — cloud.flowlexi.com Voltar ao topo ↑

O console na nuvem

Tudo acima, rodando em minutos e sem contratar gente de infraestrutura: o console provisiona sua instância de busca, cuida de chaves e cobrança, e mantém as versões atualizadas.

As chaves, os dados e a saída continuam seus: o motor é código aberto, e seu acervo vai embora com você quando quiser.

Comece grátis — cloud.flowlexi.com Voltar ao topo ↑

O jeito mais rápido de ver tudo isso funcionando é uma instância rodando.

Comece grátis no Flowlexi Cloud

← flowlexi.com