Você sabe que a nota existe. Você a escreveu três meses atrás, ela tinha a resposta exata para o problema à sua frente, e você não consegue encontrá-la, porque está pesquisando "cache" e a nota diz "memoizar", ou está pesquisando "falha no deploy" e a nota diz "a release quebrou". A busca por palavras-chave falha justamente quando a sua memória das palavras falha, o que acontece quase sempre depois de algumas semanas.
A busca semântica resolve isso comparando significados em vez de palavras exatas. Neste post explico como ela funciona, onde ela ganha da busca por palavras-chave, onde não ganha e o que ela muda na forma de organizar as notas.
Onde a busca por palavras-chave falha
A busca tradicional divide as suas notas em palavras e compara a consulta com elas, às vezes com stemming ("pesquisas" encontra "pesquisando") e correspondência aproximada para erros de digitação. Ela é rápida e previsível, mas no fundo é comparação de strings: a consulta e a nota precisam ter o mesmo vocabulário.
As notas são o pior caso para isso. Elas são escritas às pressas, no vocabulário do momento, sem nenhum editor exigindo terminologia consistente. O mesmo conceito aparece como "auth", "login", "autenticação" e "sessão" em quatro notas escritas em quatro humores diferentes. Para encontrar a sua própria nota, você precisa adivinhar quais palavras o seu eu do passado usou: um teste de memória, quando o objetivo das notas é justamente não precisar lembrar.
Como a busca semântica funciona
A busca semântica troca a comparação de strings pela comparação de significados, usando embeddings: um modelo de machine learning transforma um trecho de texto em um vetor — uma longa lista de números — posicionado de forma que textos com significado parecido ganhem vetores próximos uns dos outros. "Memoizar a consulta da sessão" e "guardar em cache a verificação de login" ficam perto um do outro nesse espaço, embora não tenham nenhuma palavra em comum.
O mecanismo, de ponta a ponta:
Indexação. Quando você salva uma nota, o sistema passa o texto por um modelo de embeddings e guarda o vetor resultante junto da nota. É por isso que apps de notas com IA medem "tokens de embedding": o texto de cada nota passa por um modelo na hora de salvar.
Consulta. A sua consulta de busca vira um embedding do mesmo jeito.
Comparação. O sistema encontra os vetores guardados mais próximos do vetor da consulta e devolve essas notas, ordenadas pela proximidade.
O efeito prático: você pesquisa o conceito como pensa nele agora, e a nota aparece não importa como você a escreveu naquela época. No Notez isso roda em toda busca, junto com uma comparação por palavras-chave, e o exemplo da página inicial é real: pesquisar "aquela ideia de cache" encontra a nota, porque a comparação é por significado, com embeddings.
Da busca às respostas
Com as notas transformadas em embeddings, uma segunda capacidade vem quase de graça: a geração aumentada por recuperação (RAG). Em vez de devolver uma lista de notas correspondentes, o sistema recupera as mais relevantes e as entrega a um modelo de linguagem, que monta uma resposta citando as notas de origem.
Isso muda a interação de "encontrar documentos" para "fazer perguntas". O recurso Pergunte às suas notas do Notez funciona assim: pergunte "o que eu escrevi sobre foco e trabalho profundo?" e ele recupera as notas relevantes de todo o seu cofre e responde com as fontes. As fontes importam: uma resposta que você rastreia até as suas próprias notas é verificável; uma resposta solta não é.
Onde a busca semântica é fraca
Ser honesto sobre os limites mantém as expectativas no lugar:
Strings exatas. Pesquisar um código de erro, o nome de uma flag ou um identificador específico é trabalho para a busca por palavras-chave. Os bons sistemas rodam as duas — o Notez junta uma busca por palavras-chave à semântica em toda consulta e mescla os resultados (o post sobre busca híbrida explica o mecanismo) — e, quando você sabe a string exata, pesquise a string exata.
Notas muito curtas. Uma nota de três palavras dá pouco significado para o modelo de embeddings trabalhar. Ela continua encontrável, só que com menos vantagem semântica.
A recuperação é probabilística. A ordenação por vizinho mais próximo significa que a nota certa geralmente fica no topo, não que fica sempre, com garantia. Para uma referência canônica que você consulta toda semana, um favorito ou um link é mais confiável que qualquer busca.
O que muda na organização das notas
A consequência interessante é de comportamento. Hierarquias elaboradas de pastas e esquemas obrigatórios de tags existem principalmente para tornar a recuperação possível com busca por palavras-chave: são um pagamento antecipado pela chance de encontrar as coisas no futuro. Quando a busca funciona pelo significado, a maior parte desse imposto antecipado vira opcional.
Uma divisão de trabalho razoável:
Capture sem cerimônia. Escreva a nota com as palavras que vierem. Sem título, sem decidir pasta, sem tags obrigatórias: a busca semântica vai encontrá-la pelo conteúdo.
Use tags para listar, não para recuperar. As tags valem a pena quando você quer todas as notas de um tipo (tudo com a tag
research, toda nota1on1), porque "tudo de X" é exatamente o que a ordenação por similaridade não garante.Use links para a estrutura. Links explícitos entre notas (e os backlinks que eles criam) registram relações que a busca não consegue inferir: esta decisão veio daquela discussão.
Adicione aos favoritos o que você abre todo dia. Para as cinco notas principais, navegar ganha de pesquisar.
Isso faz diferença na prática?
O teste é simples: com que frequência você não encontra uma nota que sabe que existe? Se a resposta é "com frequência", o gargalo é a recuperação, e a busca semântica o remove com menos custo do que qualquer disciplina de nomes consistentes jamais vai conseguir. Sistemas que dependem de pessoas usarem as mesmas palavras duas vezes perdem para os que não dependem, porque, passados alguns meses, ninguém faz isso.
Continue lendo
Como o chat de IA do Notez trabalha com suas anotações — as 29 ferramentas que o chat de IA usa no seu espaço de trabalho, o que ele não faz e os limites de cada plano.
"Quais são minhas tarefas hoje?" Como ensinei o chat de IA a ler o quadro — por que o chat respondia com a lista errada até conseguir ver o quadro na sua tela.
Instruções do chat de IA: as da equipe e as suas — instruções fixas para um espaço de trabalho inteiro e para você mesmo, e por que as do proprietário vão por último no prompt.