Bases de datos vectoriales explicadas en lenguaje claro

Qué almacena en realidad

Una base de datos vectorial almacena embeddings, las representaciones numéricas del significado que produce un modelo de embeddings. Cada registro es una larga lista de números, un vector, más algunos metadatos como el texto original, una URL de origen o una etiqueta de categoría. En lugar de organizarse para la consulta exacta, los datos se organizan para que la base de datos pueda encontrar rápidamente los vectores que están cerca de un punto dado en el espacio.

La operación central es la búsqueda del vecino más cercano. Le entregas a la base de datos un vector de consulta y devuelve los vectores almacenados más próximos a él, normalmente ordenados por similitud del coseno o una medida de distancia relacionada. Esos vecinos son tus resultados semánticamente similares.

Por qué una base de datos normal no puede hacer esto

En principio, podrías calcular la distancia de una consulta a cada vector almacenado y ordenar los resultados. Con unos cientos de registros funciona bien. Con millones, es demasiado lento, porque un vector puede tener mil quinientas dimensiones y harías ese cálculo para cada fila en cada búsqueda.

Las bases de datos vectoriales resuelven esto con índices de vecino más cercano aproximado. Técnicas con nombres como HNSW construyen un grafo navegable sobre los vectores para que una búsqueda pueda saltar hacia el vecindario correcto en lugar de recorrerlo todo. La contrapartida es que los resultados son aproximadamente, no perfectamente, los más cercanos, lo que en la práctica casi siempre resulta aceptable y es enormemente más rápido.

Dónde encaja en un pipeline de RAG

Cuando construyes una generación aumentada por recuperación, la base de datos vectorial es la biblioteca. Durante la indexación, tus documentos se fragmentan, cada fragmento se convierte en embedding y los vectores se escriben en la base de datos junto al texto del fragmento. Durante una consulta, la pregunta del usuario se convierte en embedding, la base de datos devuelve los fragmentos más cercanos y esos fragmentos se pasan al modelo de lenguaje como contexto. La base de datos nunca genera nada. Simplemente encuentra.

Búsqueda híbrida

La búsqueda puramente semántica tiene una debilidad conocida: puede pasar por alto términos exactos. Un código de producto, el nombre de una persona o un número de modelo concreto quizá no se conviertan en un embedding distintivo. Por eso la mayoría de las bases de datos vectoriales de producción admiten la búsqueda híbrida, que combina la similitud vectorial con la coincidencia tradicional de palabras clave y reordena los resultados combinados. Esto te da una recuperación consciente del significado que sigue respetando las coincidencias exactas cuando importan.

Filtrado por metadatos

Las buenas bases de datos vectoriales también te permiten filtrar antes o durante la búsqueda por similitud. Encuentra los pasajes más similares, pero solo de este cliente, solo en inglés, solo publicados después de esta fecha. El filtrado mantiene los resultados relevantes e impide que el contenido de una organización se cuele en las respuestas de otra, algo que importa siempre que muchas empresas comparten un mismo sistema.

Opciones habituales

Entre las bases de datos vectoriales específicas están Pinecone, Weaviate, Qdrant, Milvus y Chroma. Las bases de datos generales también han añadido capacidad vectorial, como la extensión pgvector para PostgreSQL, que permite a los equipos mantener los vectores junto a sus datos relacionales existentes. La elección correcta depende de la escala, las preferencias de alojamiento y de si necesitas búsqueda híbrida y filtrado de serie.

Qué significa esto para tu contenido

La base de datos vectorial solo almacena lo que le entrega el paso de indexación. Si tu información está dispersa por páginas largas, cada fragmento es una mezcla confusa de temas y se recupera mal. Si cada dato es claro y autónomo, cada fragmento es un punto preciso en el espacio y se recupera con limpieza. La base de datos es neutral. La calidad de lo que encuentra se decide antes incluso de escribirse en el índice, por cómo está estructurado tu conocimiento.