Base de datos vectorial
Una base de datos vectorial es una base de datos especializada diseñada para almacenar vectores de embedding y recuperar a gran velocidad los más similares semánticamente. Hoy es infraestructura central para las canalizaciones de RAG, la búsqueda semántica, los sistemas de recomendación y la memoria a largo plazo de los agentes de IA.
Una base de datos vectorial es una base de datos especializada diseñada para almacenar vectores de embedding y recuperar a gran velocidad los más similares semánticamente. Hoy es infraestructura central para las canalizaciones de RAG, la búsqueda semántica, los sistemas de recomendación y la memoria a largo plazo de los agentes de IA.
Por qué importa
Las bases de datos SQL tradicionales están optimizadas para coincidencias exactas de palabras clave, pero la búsqueda de la era de los LLM funciona con similitud semántica. Encontrar los k vecinos más cercanos entre millones de vectores (cada uno con más de 1.000 dimensiones) en unos pocos milisegundos es prácticamente imposible con una base de datos de propósito general. Las bases de datos vectoriales resuelven esto con algoritmos de vecino más cercano aproximado (ANN), lo que permite la recuperación en tiempo real que fundamenta las respuestas de los LLM.
Cómo funciona
- Generación de embeddings: modelos como OpenAI y Cohere convierten texto o imágenes en vectores.
- Indexación: algoritmos ANN como HNSW, IVF o PQ estructuran los vectores para una recuperación rápida.
- Embedding de la consulta: la consulta del usuario se vectoriza con el mismo modelo.
- Búsqueda por similitud: se devuelven los k vectores principales según la similitud del coseno, el producto interno o la distancia euclidiana.
- Unión de metadatos: el texto original y los metadatos asociados a cada vector se devuelven y se inyectan en el contexto del LLM.
Soluciones líderes
Bases de datos vectoriales dedicadas:
- Pinecone: servicio gestionado, API sencilla, rápido de poner en marcha
- Weaviate: código abierto, sólida búsqueda híbrida (vector + palabra clave)
- Qdrant: basado en Rust, alto rendimiento, bajo uso de recursos
- Milvus: búsqueda vectorial distribuida a gran escala
Extensiones vectoriales para bases de datos existentes:
- pgvector: extensión de PostgreSQL, mantiene los vectores junto a los datos SQL
- Elasticsearch: combina la búsqueda por palabra clave con la búsqueda vectorial
- Redis: búsqueda vectorial en memoria
Patrón habitual: empezar con pgvector y migrar a una base de datos dedicada cuando el tráfico y la escala lo exijan.
Criterios de selección
Tamaño de los datos: por debajo de 1 M de vectores, pgvector es suficiente. A partir de 100 M de vectores, una base de datos dedicada es esencial.
Búsqueda híbrida: si necesitas vector + palabra clave + filtro a la vez, Weaviate o Elasticsearch destacan.
Latencia: las aplicaciones de cara al usuario apuntan a un p99 ≤ 100 ms. Los índices HNSW son los más fiables en este rango.
Carga operativa: los servicios gestionados como Pinecone cuestan más, pero eliminan casi todo el trabajo de infraestructura. El código abierto (Qdrant, Milvus) es lo contrario.
Filtrado por metadatos: si el prefiltrado por categoría, fecha o ID de usuario es frecuente, elige una solución que lo combine de forma eficiente con la búsqueda vectorial.
Implicaciones para el GEO
Quienes gestionan blogs rara vez construyen sus propias bases de datos vectoriales, pero importa escribir contenido para que encaje bien dentro de las bases de datos vectoriales de los LLM y de la búsqueda con IA. Los encabezados claros, los párrafos autocontenidos y las cifras y fuentes concretas elevan la calidad del embedding, lo que significa puntuaciones de similitud más altas cuando las bases de datos vectoriales eligen qué citar.
Sources: