GuíasEntender la IA

Base de datos vectorial: para qué sirve

Por el equipo de Banzai LabsActualizado el 3 min de lectura

EmbeddingLos más cercanosTres pasajesNo se busca una palabra, se busca un sentido
La pregunta se convierte en un vector; la base devuelve los pasajes más cercanos.

Lo que hace

Una base clásica responde a «¿qué filas contienen esta palabra?». Una base vectorial responde a «¿qué textos quieren decir más o menos lo mismo?».

  1. 1IndexarCada pasaje se convierte en un embedding, guardado con su texto y sus metadatos.
  2. 2ConsultarLa pregunta se convierte en vector con el mismo modelo.
  3. 3FiltrarIdioma, cliente, fecha: se acota antes de comparar.
  4. 4DevolverLos pasajes más cercanos, con su puntuación.

Las opciones

Opción Cuándo elegirla
pgvector (PostgreSQL) Tus datos ya están allí, volumen razonable
Qdrant, Weaviate Grandes volúmenes, filtros ricos, alojamiento propio posible
Pinecone Servicio gestionado, sin servidor que mantener
Chroma Prototipo, pruebas en local

Los errores frecuentes

  • Pasajes demasiado largos, que diluyen el sentido.
  • Olvidar los metadatos y luego no poder filtrar.
  • Cambiar de modelo de embeddings sin reindexarlo todo.

Cómo encaja todo: RAG, la IA con tus documentos.

Preguntas frecuentes

¿Hace falta una base dedicada?
No necesariamente. Si tus datos ya están en PostgreSQL, la extensión pgvector basta para muchos proyectos. Una base dedicada se justifica con grandes volúmenes o búsquedas avanzadas.
¿La búsqueda es exacta?
Casi siempre aproximada: un índice como HNSW encuentra muy rápido vecinos muy cercanos, sin garantizar los más cercanos absolutos. En la práctica, la diferencia es mínima.
¿Se puede filtrar por idioma o por cliente?
Sí. Cada vector lleva metadatos (idioma, cliente, fecha) que filtran la búsqueda. Es imprescindible para no mezclar nunca los datos de dos clientes.

Para leer después

Todas las guías