Busca “sitios baratos para dormir en Goa” en un sistema que solo usa palabras clave y puede que se le escape una página que dice “hoteles económicos en Goa”. Las palabras son distintas, pero el significado es el mismo. La búsqueda vectorial cierra esa brecha.

Por qué se queda corta la búsqueda por palabras clave

La búsqueda tradicional compara palabras. Tiene problemas con los sinónimos, las erratas y las preguntas escritas en lenguaje natural. La gente no siempre usa las palabras exactas de tus documentos, así que se pierden buenos resultados.

¿Qué son los embeddings?

Un embedding es una lista de números, un vector, que representa el significado de un dato. Lo crea un modelo de embeddings. Los significados parecidos dan vectores que quedan cerca unos de otros.

"hotel económico"      -> [0.12, -0.80, 0.33, ...]
"sitio barato para quedarse" -> [0.11, -0.78, 0.35, ...]   # muy cerca
"física cuántica"    -> [-0.60, 0.20, 0.91, ...]  # lejos

Los embeddings reales tienen cientos o miles de números. Puedes crearlos para texto, imágenes, audio y código.

¿Qué es una base de datos vectorial?

Una base de datos vectorial almacena embeddings, además de los datos originales y detalles extra como etiquetas, fechas e IDs. Está hecha para responder rápido a una pregunta: “¿Qué vectores almacenados están más cerca de este?”

Cómo funciona la búsqueda por similitud

La base de datos compara el vector de la consulta con los vectores almacenados usando una medida de distancia:

Comprobar cada vector uno por uno es exacto pero lento con millones de filas. Por eso las bases de datos usan la búsqueda de vecinos más cercanos aproximada (ANN): es algo menos exacta pero mucho más rápida.

Índices: HNSW e IVF

• HNSW (Hierarchical Navigable Small World) construye un grafo por capas. Una búsqueda salta entre las capas para llegar rápido a los puntos más cercanos. Es rápido y preciso, pero usa más memoria.
• IVF (inverted file) agrupa los vectores en clústeres y busca solo en los clústeres más cercanos. Usa menos memoria, pero necesita ajustes.

Ambos cambian un poco de precisión por mucha velocidad. Ajustas la configuración hasta que el equilibrio sea el adecuado para tu aplicación.

Un ejemplo sencillo con pgvector

pgvector es una extensión que añade búsqueda vectorial a PostgreSQL. Si conoces SQL, te resultará familiar.

CREATE EXTENSION IF NOT EXISTS vector;

CREATE TABLE docs (
  id        SERIAL PRIMARY KEY,
  content   TEXT,
  embedding VECTOR(3)    -- los modelos reales usan muchas más dimensiones
);

INSERT INTO docs (content, embedding) VALUES
  ('hotel económico en Goa',  '[0.12, -0.80, 0.33]'),
  ('apuntes de física cuántica','[-0.60, 0.20, 0.91]');

CREATE INDEX ON docs USING hnsw (embedding vector_cosine_ops);

SELECT content
FROM docs
ORDER BY embedding <=> '[0.11, -0.78, 0.35]'
LIMIT 3;

El operador <=> significa distancia del coseno. La consulta devuelve primero las filas más cercanas. Puedes ejecutar PostgreSQL en un contenedor para probarlo; consulta nuestro tutorial de Docker.

Casos de uso reales

• Búsqueda semántica: encuentra artículos de ayuda por significado.
• Chatbots RAG: obtén los pasajes adecuados para que un LLM responda a partir de ellos. Lee RAG vs fine-tuning vs prompt engineering.
• Recomendaciones: sugiere productos o vídeos similares a los que le gustaron a un usuario.
• Búsqueda de imágenes y audio: encuentra fotos o sonidos parecidos.
• Detección de duplicados y fraude: detecta casi-copias y patrones raros.
• Memoria de agentes: permite a los agentes de IA recordar notas pasadas. Consulta las buenas prácticas de agentes de IA.

Cómo elegir una base de datos vectorial

Revisa estos puntos: tamaño de los datos, velocidad de consulta, filtrado, coste, alojamiento y lo bien que encaja con tu stack actual. Muchos equipos empiezan con pgvector y solo se mudan después si es necesario.

Errores frecuentes

• Tamaño de fragmento incorrecto. Los fragmentos demasiado grandes o demasiado pequeños dan malas coincidencias.
• Mezclar modelos. La consulta y los documentos deben usar el mismo modelo de embeddings.
• Sin filtros. Combina la búsqueda vectorial con filtros, como el idioma o la fecha.
• Sin pruebas. Crea un conjunto de consultas reales y comprueba que aparecen los resultados correctos.
• Datos obsoletos. Vuelve a generar los embeddings cuando cambien los documentos.

Preguntas frecuentes

Sigue aprendiendo