Una base de datos vectorial es un sistema especializado en almacenar y consultar vectores numéricos de alta dimensionalidad —típicamente embeddings de 384, 768, 1536 o 3072 dimensiones generados por modelos de lenguaje o de imagen— buscando los más similares a un vector consulta mediante distancia (coseno, euclídea, producto escalar). Es la pieza técnica que hace posible la búsqueda semántica, RAG y muchos sistemas de recomendación modernos.
Para buscar entre millones o miles de millones de vectores en milisegundos no basta con comparar uno a uno: se usan algoritmos de búsqueda aproximada del vecino más cercano (ANN), siendo HNSW (Hierarchical Navigable Small World) y IVF (Inverted File Index) los más extendidos. Estos algoritmos sacrifican un poco de precisión para ganar órdenes de magnitud en velocidad, con parámetros tuneables para equilibrar latencia y recall.
El mercado ofrece tres opciones: bases puramente vectoriales (Pinecone, Weaviate, Qdrant, Milvus, Chroma), extensiones de bases existentes (pgvector para Postgres, kNN para Elasticsearch/OpenSearch, Atlas Vector Search para MongoDB, Vector Search en Redis 8) y servicios cloud gestionados. Para la mayoría de proyectos, pgvector dentro de la Postgres que ya tienes en producción es la opción más práctica: sin un servicio extra, con joins normales contra metadatos relacionales.
En 10Code construimos sistemas de RAG y búsqueda semántica casi siempre sobre pgvector: indexamos chunks de texto con embeddings de OpenAI, Cohere o Voyage, los combinamos con filtros relacionales (tenant, idioma, fechas) y aplicamos rerank con modelos cross-encoder para los top resultados. Solo saltamos a Pinecone, Qdrant o Milvus cuando el volumen (decenas de millones de vectores) o la latencia exigen un sistema dedicado.
En 10Code llevamos más de una década aplicando estas tecnologías a productos reales. Si quieres comentarnos tu caso, escríbenos y te respondemos personalmente.
Hablar con un ingeniero