Glosario de IA

    ¿Qué es una base de datos vectorial?

    El almacén donde un sistema de IA guarda el significado de tus documentos en forma de vectores, y cómo encuentra lo que se parece a una pregunta sin recorrerlos todos.

    En resumen

    Una base de datos vectorial es un sistema que almacena vectores numéricos (los embeddings de textos, imágenes u otros contenidos) junto con sus metadatos, y responde a consultas del tipo «dame los elementos más parecidos a este». Usa índices de búsqueda aproximada para hacerlo rápido con millones de registros, y es la pieza de almacenamiento habitual en sistemas RAG.

    Una base de datos relacional responde bien a preguntas exactas: el cliente con este NIF, los pedidos de marzo. Lo que no sabe hacer es buscar por parecido. Si guardas el significado de cada fragmento de tu documentación como un vector, necesitas otra cosa: un sistema que, dado un vector nuevo, localice los más cercanos entre millones sin compararlos uno a uno.

    Eso es una base de datos vectorial. No entiende el texto ni genera respuestas; guarda vectores y los recupera por cercanía. Pero de cómo esté montada depende buena parte de que un asistente con RAG encuentre el párrafo correcto o se quede con uno que solo se le parece.

    Cómo encuentra lo parecido sin recorrerlo todo

    Comparar una consulta con cada vector guardado funciona con unos miles de registros, pero se vuelve lento al crecer. Por eso estas bases construyen índices de búsqueda aproximada de vecinos más cercanos (ANN). El más extendido es HNSW, un grafo por capas que permite saltar enseguida a la zona del espacio donde están los vectores parecidos. Otros, como IVF, agrupan los vectores y solo buscan en los grupos más prometedores.

    Aproximada quiere decir exactamente eso: a cambio de velocidad, el índice puede dejarse fuera algún resultado relevante. Ese equilibrio se ajusta con parámetros del índice, y es mejor revisarlo con consultas reales que dejar los valores por defecto.

    Cada registro guarda además metadatos: documento de origen, fecha, departamento o nivel de acceso. Filtrar por ellos durante la búsqueda es lo que permite, por ejemplo, que un comercial solo recupere fragmentos de los contratos que tiene permiso para ver.

    Ejemplos de uso en una empresa

    Aparece siempre que hay que buscar por significado sobre un volumen grande o que cambia a menudo:

    • Asistente de soporte: manuales, fichas técnicas y tickets resueltos se trocean e indexan; ante una consulta, el sistema recupera los fragmentos más cercanos y el modelo redacta la respuesta citándolos.
    • Histórico de incidencias: cuando entra una nueva, se buscan las parecidas ya cerradas y se muestra al técnico cómo se solucionaron.
    • Catálogo de producto: el cliente describe lo que necesita con sus palabras y la búsqueda devuelve referencias adecuadas aunque no coincidan los términos.
    • Memoria de un agente: el agente guarda resúmenes de interacciones anteriores con un cliente y recupera los relevantes cuando ese cliente vuelve a escribir.

    pgvector, Qdrant, Milvus: extensión o base dedicada

    Hay dos caminos. Uno es añadir capacidades vectoriales a la base de datos que ya usas; pgvector, para PostgreSQL, es la opción más común. El otro es una base vectorial dedicada, como Qdrant, Milvus, Weaviate o Chroma, o un servicio gestionado como Pinecone.

    Nuestra opinión: si ya tienes PostgreSQL y el volumen es moderado, empieza con pgvector. Los vectores conviven con los datos de negocio, con las mismas copias de seguridad y los mismos permisos. Una base dedicada compensa cuando el volumen crece mucho o necesitas filtros complejos y búsqueda híbrida a gran escala. Casi todas se pueden alojar en tus propios servidores, algo que importa si los documentos son confidenciales.

    Límites que conviene conocer

    La base vectorial no arregla un mal troceado de los documentos ni un modelo de embeddings flojo: devuelve con eficacia lo que le diste. Tampoco es buena con búsquedas exactas, como un número de factura o una referencia de producto, que necesitan búsqueda por palabras clave al lado.

    Y exige mantenimiento. Cuando un documento cambia o se borra, sus vectores tienen que actualizarse o eliminarse, y los permisos deben seguir sincronizados con el sistema de origen. Un asistente que responde con una tarifa derogada porque nadie borró sus fragmentos tiene un fallo de operación, no del modelo.

    Preguntas frecuentes

    ¿Para qué sirve una base de datos vectorial?

    Para guardar embeddings y recuperar los más parecidos a una consulta. Se usa en búsqueda semántica, en asistentes que responden con tu documentación mediante RAG, en recomendación y en memoria de agentes. Es infraestructura: no genera texto ni interpreta nada por sí misma.

    ¿Qué diferencia hay entre una base de datos vectorial y una relacional?

    Una relacional busca coincidencias exactas o rangos sobre columnas: un cliente, una fecha, un importe. Una vectorial busca por cercanía entre vectores, es decir, por parecido de significado. Con extensiones como pgvector, una misma base PostgreSQL puede hacer ambas cosas.

    ¿Qué base de datos vectorial elegir?

    Si ya usas PostgreSQL y el volumen es moderado, pgvector es lo más sencillo. Si el volumen es grande o necesitas filtrado avanzado y búsqueda híbrida, Qdrant, Milvus o Weaviate son opciones sólidas que puedes alojar tú. Decide probando con tus datos y tus consultas.

    ¿Es lo mismo una base de datos vectorial que RAG?

    No. RAG es la técnica completa: recuperar información relevante y dársela al modelo para que responda. La base vectorial es una de sus piezas, la que guarda los fragmentos y los encuentra. Puede haber RAG sin base vectorial, por ejemplo con búsqueda por palabras clave.

    Prepara tu documentación para que la IA la encuentre

    En un asistente que responde con tus documentos, el diseño del índice decide buena parte de la calidad. Podemos montarlo contigo, también en servidores propios si los datos son confidenciales, y medirlo con preguntas reales.

    Solicitar propuesta gratuita

    Actualizado el 20 de octubre de 2026