Base de datos vectorial: la memoria de búsqueda de las apps de IA
Una base de datos vectorial almacena embeddings, las listas de números que representan el sentido de un contenido, y encuentra en milisegundos los más parecidos a una consulta. Es el buscador oculto detrás de la mayoría de los asistentes que responden a partir de documentos.
Datos a 22 de octubre de 2026
Lo esencial en cifras
| Nivel | Intermedio |
|---|
Qué es, en pocas palabras
Una base de datos clásica busca coincidencias exactas: un nombre, una fecha, un número de pedido. Una base de datos vectorial busca similitud. Almacena embeddings, vectores de números que representan el sentido de un contenido, y responde a la pregunta «¿qué elementos se parecen más a este?».
Para medir esa cercanía utiliza fórmulas de distancia. La documentación de pgvector, por ejemplo, enumera la distancia euclidiana, el producto interno y la distancia coseno, entre otras. En lugar de comparar la consulta con cada vector uno por uno, construye índices de búsqueda aproximada. Uno de los más utilizados, HNSW, procede de un artículo de Malkov y Yashunin publicado en arXiv en 2016; pgvector lo admite junto con IVFFlat.
Un ejemplo concreto
Un servicio de atención al cliente tiene miles de artículos de ayuda. Cada artículo se divide en párrafos, cada párrafo se convierte en embedding y se guarda en la base con su título y su enlace. Cuando un cliente escribe «el seguimiento dice entregado pero no recibí nada», el mensaje también se convierte y la base devuelve los párrafos más cercanos, aunque estén redactados como «paquete extraviado». Esos pasajes se envían después al modelo: es el esquema clásico del RAG.
Por qué es importante
Sin esta pieza, un asistente tendría que releer la totalidad de sus documentos en cada pregunta, algo lento, caro y a menudo imposible más allá de la ventana de contexto. Las bases vectoriales también sirven de memoria a largo plazo para los agentes y alimentan la búsqueda semántica. Si empieza a crear agentes, nuestra ruta Construir le muestra dónde encaja esta pieza entre las demás.
Errores frecuentes
- Olvidar los filtros. La similitud no basta: a menudo hay que filtrar por fecha, idioma o permisos, o un empleado podría ver un extracto que no le corresponde.
- Descuidar la división del texto. Los fragmentos demasiado largos diluyen la información; demasiado cortos, pierden el contexto. El chunking influye mucho en la calidad.
- Creer que la base «entiende». Compara números; la comprensión viene del modelo de embeddings elegido.
- Cambiar de modelo de embeddings sin recalcular la base entera. Los vectores antiguos no se pueden comparar con los nuevos.
Términos relacionados: embedding, RAG, búsqueda semántica, búsqueda híbrida, reordenación (reranking).
Términos relacionados
- Embedding (vector semántico) · Lista de números (un vector) que representa el significado de un texto o una imagen para comparar contenidos según su cercanía de sentido.
- RAG (generación aumentada por recuperación) · Técnica que primero busca pasajes relevantes en sus documentos y luego se los entrega al modelo para que base en ellos su respuesta.
- Búsqueda semántica · Búsqueda que encuentra contenidos por su significado, no por palabras idénticas, comparando representaciones numéricas de los textos.
- Búsqueda híbrida · Búsqueda que combina palabras clave exactas y búsqueda por significado (embeddings), y después fusiona ambas listas en una sola clasificación.
- Chunking (fragmentación) · División de documentos largos en pasajes pequeños y coherentes para indexarlos y enviar al modelo solo los fragmentos útiles.
- Reranking (reordenación) · Segunda etapa de búsqueda: un modelo más preciso vuelve a leer los mejores candidatos y los reordena según su pertinencia real.
Todo el glosario
Preguntas frecuentes
¿Necesito un software especializado o sirve una base de datos clásica?
Existen ambas opciones. Hay bases diseñadas para vectores y extensiones que añaden esta capacidad a una base existente: pgvector, por ejemplo, se presenta como una búsqueda de similitud vectorial de código abierto para Postgres. En un proyecto modesto, quedarse con una base que ya conoce suele ser lo más sencillo.
¿Los resultados son exactos?
Para ser rápidas, la mayoría de las bases vectoriales usan una búsqueda aproximada de vecinos más cercanos. Sacrifica un poco de precisión a cambio de mucha velocidad, así que en ocasiones puede omitir un pasaje pertinente. Los ajustes del índice permiten regular ese equilibrio.
¿A partir de cuántos documentos hace falta?
No hay un umbral oficial. Con pocos archivos, enviar el texto directamente al modelo puede bastar. Una base vectorial resulta rentable cuando el contenido supera lo que el modelo puede leer de una vez, o cuando hay que responder rápido a muchas preguntas.
Fuentes de los datos
Datos a 22 de octubre de 2026
Señalar un error
¿Una cifra, una fecha o un dato le parece incorrecto? Díganoslo: verificamos cada aviso.