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.