Una base de datos vectorial es un sistema capaz de almacenar vectores, indexarlos y recuperar los más cercanos a un vector de consulta. Se utiliza para búsqueda semántica, recomendación, detección de similitud y recuperación de información para RAG.
No es necesariamente un producto separado. Una base de datos convencional o un motor de búsqueda puede incorporar tipos e índices vectoriales.
Qué ocurre en una búsqueda
La aplicación genera un embedding para la consulta con el mismo modelo y configuración utilizados al indexar. La base compara ese vector con los almacenados y devuelve candidatos según distancia o similitud.
En conjuntos grandes suele utilizarse búsqueda aproximada de vecinos más cercanos. Estructuras como HNSW o IVFFlat reducen el trabajo necesario a cambio de memoria, tiempo de construcción y una posible pérdida de cobertura. El ajuste correcto depende de volumen, latencia y tolerancia a omitir resultados relevantes.
Los metadatos permiten filtrar por cliente, idioma, tipo documental, fecha o permiso. El orden importa: un filtro aplicado tarde puede recuperar vecinos semánticos que el usuario nunca debió considerar.
Ejemplo empresarial
Una compañía indexa manuales y boletines técnicos. Cada fragmento conserva documento, versión, producto, idioma y grupos autorizados. Ante una pregunta, el sistema filtra por permisos y producto, combina coincidencia léxica y vectorial, reordena candidatos y entrega evidencia al modelo.
La base vectorial resuelve una parte: recuperar candidatos. La respuesta, las citas, la abstención y la trazabilidad pertenecen a otras capas.
Cuándo aporta valor
- Hay suficientes elementos para que una comparación exhaustiva sea costosa.
- La consulta y el contenido pueden expresar la misma intención con palabras diferentes.
- Se necesitan búsquedas frecuentes con latencia predecible.
- Los elementos pueden representarse con embeddings de calidad para el dominio.
Puede ser innecesaria si el repositorio es pequeño, la búsqueda exacta resuelve el caso, una consulta estructurada devuelve el dato correcto o la plataforma existente ya cubre la función.
Decisiones de diseño
| Decisión | Pregunta práctica |
|---|---|
| Modelo y dimensión | ¿representa bien idiomas, códigos y conceptos del dominio? |
| Unidad indexada | ¿fragmento, documento, producto, imagen o caso completo? |
| Métrica | ¿coseno, producto interno o distancia euclídea según el modelo? |
| Índice | ¿qué equilibrio necesitamos entre cobertura, memoria y latencia? |
| Metadatos | ¿qué filtros de permisos, vigencia y contexto son obligatorios? |
| Actualización | ¿cómo se insertan, retiran o reindexan versiones? |
Cómo se evalúa
Utiliza consultas reales con un conjunto de resultados relevantes revisado. Mide cobertura entre los primeros candidatos, precisión, latencia y comportamiento por segmento. Añade preguntas sin respuesta, documentos caducados y usuarios con permisos distintos.
Evalúa el pipeline completo y la recuperación por separado. Si el pasaje correcto no aparece, el generador no puede compensarlo de forma fiable. Si aparece pero la respuesta lo contradice, el fallo está después.
Qué no debe confundirse con una base vectorial
- Embedding: el vector almacenado, no la infraestructura.
- Índice vectorial: estructura de búsqueda; puede ser una función dentro de una base más amplia.
- Búsqueda semántica: experiencia o sistema de recuperación que puede combinar varias señales.
- RAG: arquitectura que utiliza evidencia recuperada para generar.
- Base de conocimiento: conjunto gobernado de contenidos y relaciones; puede utilizar búsqueda vectorial o no.
La decisión útil
No empieces por comprar una base vectorial. Define qué debe encontrarse, con qué permisos y qué latencia; prueba embeddings y búsqueda híbrida; después elige la infraestructura más simple que alcance esas medidas.
Fuentes y lecturas recomendadas
- pgvector: vector similarity search for PostgreSQL, métricas e índices vectoriales, consultado el 20 de agosto de 2026.
- Microsoft Learn: vector search, búsqueda vectorial, filtros e hibridación, consultado el 20 de agosto de 2026.
- INSTINTIA: qué es RAG, papel de la recuperación dentro del sistema completo.
Definición y vigencia revisadas el 20 de agosto de 2026.