Calculadora de tamanho da base de conhecimento
Estime os requisitos de armazenamento, o tamanho do índice vetorial e os custos de ingestão de embeddings da sua base de conhecimento de IA. Ajuste a contagem de documentos, o comprimento médio, o tamanho do chunk e a sobreposição para ver o total de chunks e o tamanho do índice em GB. Compare 9 modelos de embedding e 7 bancos de dados vetoriais, e projete quanto o armazenamento e os custos crescem de 1 a 60 meses conforme sua base escala.
Estimate knowledge base storage requirements, vector index size, ingestion costs, and monthly growth projections for RAG and AI search pipelines. All calculations run locally in your browser.
Document Corpus
Chunking Strategy
Vector Database Storage
Growth & Re-indexing
Current Knowledge Base Snapshot
Total Chunks
20,000
2 per doc
Index Storage
0.120 GB
6.3 KB / chunk
Ingestion Cost
$0.2048
one-time embed
Storage / Month
$0.0397
0.12 GB
Storage Breakdown per Chunk
Growth Projection (12 months, 10%/mo)
| Month | Total Docs | Total Chunks | Index Size | Storage/Mo | New Embed Cost |
|---|---|---|---|---|---|
| Mo 1 | 11,000 | 22,000 | 0.132 GB | $0.0437 | $0.0205 |
| Mo 2 | 12,100 | 24,200 | 0.146 GB | $0.0480 | $0.0225 |
| Mo 3 | 13,310 | 26,620 | 0.160 GB | $0.0529 | $0.0248 |
| Mo 4 | 14,641 | 29,282 | 0.176 GB | $0.0581 | $0.0273 |
| Mo 5 | 16,105 | 32,210 | 0.194 GB | $0.0639 | $0.0300 |
| Mo 6 | 17,716 | 35,432 | 0.213 GB | $0.0703 | $0.0330 |
| Mo 7 | 19,488 | 38,976 | 0.234 GB | $0.0774 | $0.0363 |
| Mo 8 | 21,437 | 42,874 | 0.258 GB | $0.0851 | $0.0399 |
| Mo 9 | 23,581 | 47,162 | 0.284 GB | $0.0936 | $0.0439 |
| Mo 10 | 25,939 | 51,878 | 0.312 GB | $0.1030 | $0.0483 |
| Mo 11 | 28,533 | 57,066 | 0.343 GB | $0.1133 | $0.0531 |
| Mo 12 Final | 31,386 | 62,772 | 0.378 GB | $0.1246 | $0.0584 |
12-Month Total Cost Summary
Initial Ingestion
$0.2048
one-time embed cost
Growth Ingestion
$0.4380
new docs over 12 mo
Re-index Cost
$7.82
every 30 days
Storage (period)
$0.9341
12 mo accumulated
Final Index Size
0.378 GB
62,772 total chunks
Total Period Cost
$9.09
all costs combined
Embedding Model Comparison (initial ingestion)
| Model | Dims | Vector Size | Index Size | Ingestion Cost |
|---|---|---|---|---|
text-embedding-3-smallOpenAISelected | 1,536 | 6.1 KB | 0.120 GB | $0.2048 |
text-embedding-3-largeOpenAI | 3,072 | 12.1 KB | 0.235 GB | $1.33 |
text-embedding-ada-002OpenAI | 1,536 | 6.1 KB | 0.120 GB | $1.02 |
embed-english-v3Cohere | 1,024 | 4.1 KB | 0.082 GB | $1.02 |
embed-multilingual-v3Cohere | 1,024 | 4.1 KB | 0.082 GB | $1.02 |
text-embedding-004Google | 768 | 3.1 KB | 0.063 GB | $0.2560 |
voyage-3-liteVoyage | 512 | 2.1 KB | 0.044 GB | $0.2048 |
voyage-3Voyage | 1,024 | 4.1 KB | 0.082 GB | $0.6144 |
voyage-3-largeVoyage | 2,048 | 8.1 KB | 0.158 GB | $1.84 |
Como o armazenamento vetorial se acumula
O tamanho do índice depende de quantos chunks seu corpus produz e da dimensão do modelo de embedding escolhido. Cada chunk gera um vetor armazenado no banco vetorial.
A fórmula básica é dimensões × 4 bytes por vetor, mais um overhead fixo e os metadados associados.
- Chunks = documentos × comprimento médio ÷ tamanho do chunk, ajustado pela sobreposição.
- Vetores float32: dimensões × 4 bytes cada.
- Metadados por chunk (URL, datas, título) somam bytes extras.
Escolher chunking e modelo
O tamanho do chunk é um equilíbrio entre precisão de recuperação e custo de armazenamento e ingestão. O modelo define tanto a dimensão quanto o preço por milhão de tokens.
- Escolha um tamanho de chunk adequado à densidade dos seus documentos.
- Adicione sobreposição para não perder contexto nas fronteiras.
- Selecione o modelo de embedding pela relação custo-qualidade.
- Aplique o fator de overhead HNSW do seu banco vetorial.
Projetar crescimento e reindexação
Armazenamento e custos crescem a cada documento novo. Projetar de 1 a 60 meses ajuda a dimensionar a infraestrutura antes que vire problema.
- O crescimento mensal multiplica chunks, vetores e armazenamento.
- Reindexe apenas ao trocar de modelo ou de estratégia de chunking.
- Atualizações de documentos são melhor tratadas com indexação incremental.
Perguntas frequentes
Ela estima o armazenamento do índice vetorial, a contagem de chunks, os custos de ingestão de embeddings e as projeções de crescimento mensal para sistemas RAG e de busca semântica. Ela modela quantos chunks seu corpus de documentos produz, quanto armazenamento cada chunk exige em um banco vetorial e como os custos de ingestão e armazenamento escalam conforme a base cresce.
Cada chunk de documento produz um vetor de embedding. Tamanho do vetor = número de dimensões × 4 bytes (codificação float32) mais cerca de 60 bytes de overhead por vetor para IDs internos e ponteiros de grafo. Metadados armazenados junto a cada vetor (URL de origem, carimbos de data/hora, título do documento) adicionam bytes extras por chunk.
Pontos de partida comuns são 256-512 tokens para documentos factuais densos e 512-1024 tokens para conteúdo narrativo mais longo. Chunks menores geram mais vetores e maior precisão de recuperação, mas aumentam o armazenamento e os custos de embedding. Use esta calculadora para comparar o armazenamento total entre diferentes tamanhos de chunk antes de definir um pipeline de ingestão.
A sobreposição é o número de tokens compartilhados entre chunks adjacentes para preservar contexto nas fronteiras. Uma sobreposição de 64 tokens em um chunk de 512 significa que cada chunk compartilha 64 tokens com o seguinte. A sobreposição adiciona chunks extras ao total. A calculadora considera isso ao calcular o total de chunks e o armazenamento.
A calculadora mostra o armazenamento bruto de vetores + metadados. A maioria dos bancos vetoriais adiciona 25-60 % de overhead do índice de grafo HNSW sobre o armazenamento bruto. Planeje de 1,3 a 1,6× o armazenamento bruto estimado para bancos vetoriais gerenciados com índices HNSW padrão.
A reindexação completa só é necessária quando você muda o modelo de embedding, ajusta a estratégia de chunking ou faz uma reestruturação importante de documentos. Para atualizações e adições de documentos, a indexação incremental é bem mais econômica. O campo de custo de reindexação estima ciclos programados de re-embedding completo.
Para a maioria das aplicações RAG em inglês, Google text-embedding-004 (US$ 0,025/1M tokens, 768 dimensões) ou Voyage voyage-3-lite (US$ 0,020/1M tokens, 512 dimensões) oferecem a melhor relação custo-qualidade para ingestão em escala. O OpenAI text-embedding-3-small também é econômico a US$ 0,020/1M com 1536 dimensões.
Sim. A calculadora roda inteiramente no seu navegador em JavaScript. Contagens de documentos, descrições de corpus, estimativas de custo e projeções de crescimento são calculadas localmente no seu dispositivo e nunca transmitidas a servidor algum. Não exige cadastro e a ferramenta é totalmente gratuita.