Qué es
Una base de datos vectorial guarda embeddings: vectores de números decimales, de alta dimensión, que un modelo de IA genera para capturar el significado semántico de un texto, una imagen, un audio o un vídeo. Frente a la base de datos tradicional, que busca coincidencias exactas en filas y columnas, la vectorial convierte la consulta en un vector y devuelve los vectores almacenados más cercanos en el espacio: busca por parecido de significado, no por coincidencia léxica.
Para que esa búsqueda sea rápida sobre millones de vectores, no se compara la consulta contra todo el corpus. Se usan índices de vecino más cercano aproximado (ANN, Approximate Nearest Neighbor), que sacrifican algo de exactitud (recall) a cambio de mucha velocidad. El índice más extendido es HNSW (Hierarchical Navigable Small World), un grafo jerárquico por capas que navega saltando hacia la zona más parecida; otras familias son IVF (particiona el espacio en clústeres con k-means) y PQ (Product Quantization, comprime los vectores). La cercanía se mide con métricas de distancia: similitud coseno, distancia euclídea o producto escalar.
Es la capa de infraestructura que sostiene la búsqueda semántica y el patrón RAG (Retrieval-Augmented Generation): se trocean documentos, se convierten en embeddings, se guardan en la base vectorial y, ante una pregunta, se recuperan los fragmentos más relevantes para pasarlos como contexto a un modelo de lenguaje. Como motores se citan Qdrant (base dedicada) y pgvector (extensión que añade vectores a PostgreSQL), además de Pinecone, Weaviate, Milvus, Chroma o LanceDB.
Por qué importa
Es el componente donde el conocimiento se persiste en forma que un agente o un modelo de lenguaje puede recuperar por significado. Sin esta capa, la búsqueda semántica y el RAG (Retrieval-Augmented Generation) no escalan: comparar cada consulta contra todo el corpus sería inviable sobre grandes volúmenes. Es también el sustrato sobre el que se monta la búsqueda semántica como servicio y el que suele alimentar a un agente de IA, que la consulta como memoria de largo plazo a través de protocolos como MCP (Model Context Protocol).
Conviene entender sus límites. La elección de índice y métrica es un compromiso entre velocidad, recall y memoria; no hay una receta única. Y el RAG vectorial clásico falla con preguntas compuestas, que necesitan varias recuperaciones, o cuando un primer intento recupera mal —por distancia inadecuada o por un troceado que parte el pasaje relevante—, lo que puede propagar errores al modelo. Una palanca habitual para mitigarlo es el reranker, que reordena los candidatos recuperados con un modelo más fino antes de pasarlos al LLM. De ahí también el interés por enfoques como el RAG agéntico o GraphRAG, este último apoyado en entidades y grafos de conocimiento en lugar de solo vectores.
En profundidad
Qué guarda y cómo busca: del dato al vector y de la consulta a los vecinos
El dato —texto, imagen, audio— se 'comprime' a un vector mediante un modelo de embeddings (por ejemplo OpenAI o bge-m3). La consulta se convierte en otro vector con el mismo modelo, y la base devuelve los vectores almacenados más cercanos. Por eso buscar 'gato' puede encontrar textos sobre animales relacionados aunque la palabra exacta no aparezca: lo que se compara es significado, no caracteres. Ese contenido a indexar no nace en la base: suele llegar de procesos de ETL / pipelines de datos que trocean, normalizan y embeben los documentos; el audio y el vídeo pasan antes por transcripción (STT) y voz (TTS) para convertirse en texto vectorizable.
Índices ANN: HNSW, IVF y PQ, y el compromiso velocidad/recall/memoria
HNSW construye capas de vectores conectados por similitud y navega el grafo saltando hacia la zona más parecida; prioriza velocidad y recall altos a cambio de más memoria y tiempo de construcción. IVF agrupa los vectores en clústeres con k-means y solo busca en los más cercanos: construye más rápido y gasta menos memoria, con menor recall. PQ comprime los vectores para acelerar y ahorrar memoria. La combinación elegida fija el equilibrio del sistema.
| Índice | Optimiza | Compromiso |
|---|---|---|
| HNSW | Velocidad y recall altos | Más memoria y tiempo de construcción |
| IVF | Construcción rápida, menos memoria | Recall menor (solo busca clústeres cercanos) |
| PQ | Compresión: acelera y ahorra memoria | Pérdida de precisión por cuantización |
Métricas de distancia: coseno, euclídea y producto escalar
La métrica define qué significa 'cercano' en el espacio vectorial. La similitud coseno mide el ángulo entre vectores e ignora su magnitud; la distancia euclídea mide la línea recta entre dos puntos; el producto escalar combina dirección y magnitud. La elección no es libre: debe ser coherente con cómo se entrenó el modelo de embeddings.
| Métrica | Qué mide | Sensible a magnitud |
|---|---|---|
| Coseno | El ángulo entre vectores | No (ignora magnitud) |
| Euclídea | La línea recta entre dos puntos | Sí |
| Producto escalar | Dirección y magnitud combinadas | Sí |
Motores y despliegue: base dedicada frente a extensión sobre Postgres
Qdrant es una base vectorial dedicada, con filtrado por metadatos y foco en rendimiento. pgvector es una extensión que añade vectores a PostgreSQL: encaja cuando ya se usa Postgres y se quiere vectores junto a las garantías transaccionales (ACID) de la base relacional. Otras opciones del ecosistema son Pinecone, Weaviate, Milvus, Chroma o LanceDB. La elección depende del volumen, la infraestructura previa y los requisitos de filtrado y operación, y normalmente se despliega sobre infraestructura cloud, ya sea como servicio gestionado o autoalojada. Conviene cuidar la limpieza y calidad de datos antes de indexar: un corpus con duplicados o ruido degrada el recall por mucho que el índice sea bueno.
Qué observar
Las señales que importan.
Distinguir almacenar de generar y de recuperar
La base vectorial almacena e indexa los vectores; generar el embedding es trabajo del modelo, y recuperar más generar es el patrón RAG. Confundir las tres capas lleva a atribuir a la base de datos responsabilidades que no son suyas.
El índice ANN es un compromiso explícito
No se escanea todo el corpus: se cambia algo de exactitud (recall) por mucha velocidad. La señal de madurez es que la elección de índice (HNSW, IVF, PQ) y sus parámetros se justifique según volumen, latencia y memoria, no por defecto.
La métrica de distancia define qué es 'cercano'
Coseno ignora la magnitud y mira el ángulo; la euclídea mide línea recta; el producto escalar combina ambas. La métrica debe coincidir con la que espera el modelo de embeddings usado, o la similitud pierde sentido.
Más que similitud: CRUD, filtrado y control de acceso
Una base vectorial de producción no solo busca por parecido: añade altas y bajas, filtrado por metadatos, replicación y control de acceso sobre los embeddings. Sin esas piezas es un índice, no una base de datos.
El fallo de recuperación se propaga
Si la base devuelve fragmentos poco relevantes, el modelo genera sobre un contexto pobre. El troceado de los documentos y la calidad del embedding condicionan el resultado tanto como el propio índice.
Conceptos clave
El vocabulario del término.
- Embedding
- Representación numérica de alta dimensión —un vector de decimales— que un modelo genera para capturar el significado semántico de un dato. Es lo que la base vectorial almacena.
- ANN (Approximate Nearest Neighbor)
- Familia de índices de vecino más cercano aproximado que evitan escanear todo el corpus: cambian algo de exactitud por mucha velocidad de búsqueda.
- HNSW (Hierarchical Navigable Small World)
- Índice de grafo jerárquico por capas, el más extendido. Conecta vectores por similitud y navega saltando hacia la zona más parecida; alto recall y velocidad a cambio de más memoria.
- IVF (Inverted File)
- Índice que particiona el espacio en clústeres con k-means y busca solo en los más cercanos a la consulta. Construye rápido y gasta poca memoria, con menor recall.
- PQ (Product Quantization)
- Técnica que comprime los vectores para acelerar la búsqueda y ahorrar memoria, a costa de precisión en la representación.
- Similitud coseno
- Métrica de distancia que mide el ángulo entre dos vectores e ignora su magnitud. Una de las formas habituales de definir qué vectores están 'cerca'.
- RAG (Retrieval-Augmented Generation)
- Patrón que recupera de la base vectorial los fragmentos más relevantes a una pregunta y los pasa como contexto a un modelo de lenguaje. La base vectorial es su capa de almacenamiento e índice.
Dónde lo aplicamos
Aún no mostramos casos.
No inventamos resultados. Cuando tengamos casos reales —anonimizados y medibles— donde este concepto marcó la diferencia, vivirán aquí.
Fuentes
- What is a Vector Database & How Does it Work? Use Cases + Examples
- What is a vector database?
- Knowledge Graphs & GraphRAG: Techniques for Building Effective GenAI Applications (Neo4j) — índice vectorial HNSW para ANN, similitud coseno/euclídea, embeddings externos · 2025-08-24
- Introducing RAG 2.0: Agentic RAG + Knowledge Graphs — naive RAG, embeddings, Postgres + pgvector, Qdrant/Pinecone/Weaviate como opciones de base vectorial · 2025-08-24
- Curso n8n — funcionamiento de una base de datos vectorial (troceado, embeddings, búsqueda por similitud, ejemplo 'gato') · 2025-08-30
- Más allá de RAG: por qué cada plataforma de búsqueda con IA es ahora agéntica (límites del RAG vectorial clásico) · 2026-05-29
Una pieza del glosario.
Forma parte del glosario de SEO, analítica e IA de InnovaOrigen Tech: un mapa de conceptos definidos con criterio y fuentes. Si quieres llevarlo a tu caso, lo vemos sin compromiso.