GuíasEntender la IA
Base de datos vectorial: para qué sirve
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?».
- 1IndexarCada pasaje se convierte en un embedding, guardado con su texto y sus metadatos.
- 2ConsultarLa pregunta se convierte en vector con el mismo modelo.
- 3FiltrarIdioma, cliente, fecha: se acota antes de comparar.
- 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.