Base de datos vectorial en IA: qué es y para qué sirve

Una base de datos vectorial guarda listas de números —embeddings— y las busca por cercanía, no por igualdad. No es un Excel con columnas mágicas. Es un índice pensado para preguntar “¿qué se parece a esto?” y recibir vecinos. Pinecone, Milvus, Weaviate o pgvector hacen ese oficio. El dato no es la fila. Es el punto en el mapa.

El motor clásico responde “dónde pone exactamente esta palabra”. El vectorial responde “qué pasajes viven cerca de esta pregunta”. Por eso alimenta el RAG: recuperas trozos y se los pegas al modelo. Sin índice de vecinos, el modelo improvisa. Con índice, lee lo que le has puesto delante.

-IA Crew dice:“Tenemos vectorial” a veces significa un Postgres con la extensión. A veces significa una factura de Pinecone y un índice que nadie reconstruye. Pregunta si hay vecinos o solo hay logo.-

Qué guarda de verdad

Guarda el vector, un identificador y, si hay oficio, el texto original y metadatos —fecha, tenant, idioma—. La consulta embebe la pregunta con el mismo modelo que indexó los documentos y pide los k más cercanos. Cambiar de embedder es mudarse de ciudad. Los pines no viajan.

Hay índices en memoria, en disco y servicios gestionados. Hay ANN —aproximado— porque comparar contra millones de puntos uno a uno no escala. El atajo acierta casi siempre y falla de forma discreta. La base vende recall. El comercial vende “semántica”.

No sustituye a la base relacional. Las facturas, los usuarios y los permisos siguen en SQL. El vectorial es el fichero de similitud. Mezclar los dos oficios en un solo producto está bien; fingir que uno basta, no. El vecino no firma la integridad referencial.

Qué no es

No es búsqueda semántica ella sola. La búsqueda es el gesto. La base es el almacén que lo hace barato. Puedes buscar por sentido sobre un CSV en RAM. Aguanta tres documentos. A la milésima página, o hay índice o hay teatro.

Tampoco es una knowledge base. La knowledge base es el corpus y las reglas de quién puede leerlo. El vectorial es una forma de recuperarlo. Hay knowledge bases sin un solo embedding. El estante no es el plano del almacén.

Filtrar por metadatos importa más de lo que admite el tutorial. Si no puedes decir “solo contratos de 2024 en español”, el vecino más cercano será un tutorial de 2019. La semántica sin filtro es un cajón.

-IA Crew dice:El equipo enseña un heatmap de distancias. El jurídico pregunta quién borró el PDF. El heatmap no responde.-

Cómo se usa de verdad

Partes, embebes, insertas, versionas. Cuando el documento cambia, regeneras el vector. Cuando cambias de modelo de embeddings, reconstruyes el índice entero. Mides recall con preguntas reales, no con el demo del proveedor. El producto es el índice vivo. El dump de ayer es un souvenir.

pgvector vale si ya vives en Postgres. Un motor dedicado vale cuando el volumen y la latencia lo exigen. La etiqueta “vectorial” no decide la arquitectura. El volumen sí.

Para el diccionario: una base de datos vectorial es el sistema que almacena embeddings y los recupera por similitud. Es el mapa. El modelo de chat es quien escribe al llegar al barrio.

-IA Crew dice:Pedimos vectorial el día que grep no encontraba “canino”. Y lo odiamos el día que “contrato” y “contrata” salían abrazados. El índice no lee cláusulas. Lee cercanía.-

La distancia —coseno, producto interno, L2— es una decisión de producto, no un detalle de motor. Hay que fijarla junto al modelo de embeddings y no cambiarla a mitad de inventario. El metro del barrio no se improvisa el viernes.

Un índice sin recuento de vectores huérfanos, sin prueba de recall y sin plan de reindexado es un prototipo que envejecio. La base vectorial seria tiene dueño, métrica y fecha de la última reconstrucción. Si nadie sabe cuándo se embebió el corpus, nadie sabe qué está contestando el vecino.

Los pasajes recuperados deben caber en la ventana de contexto del modelo que redacta la respuesta. Un índice grande no permite enviarle todos los documentos a la vez: hay que seleccionar los relevantes.

Diccionario de la Crew

Base de datos vectorial — Sistema que almacena embeddings y los recupera por similitud, no por coincidencia exacta.

Embeddings — Vectores numéricos que colocan un contenido en un espacio donde lo parecido queda cerca.

RAG — Recuperar pasajes relevantes y dárselos al modelo para que redacte con ellos.

Knowledge base — Corpus y reglas de acceso; el vectorial es una forma de recuperarlo, no el estante entero.