Vector database

¿Qué es?

Una base de datos vectorial (o vector database) es un sistema de almacenamiento optimizado para guardar y consultar vectores numéricos de alta dimensión —llamados embeddings— usando búsquedas de similitud, típicamente con algoritmos como HNSW (Hierarchical Navigable Small World) o IVF (Inverted File Index).

¿Para qué sirve?

En el contexto de IA generativa, las bases vectoriales son la pieza central de las arquitecturas RAG (Retrieval Augmented Generation): permiten encontrar fragmentos de texto semánticamente similares a una consulta para inyectarlos como contexto en un Large Language Model (LLM).

También se usan para sistemas de recomendación, búsqueda semántica de imágenes, detección de duplicados y clasificación basada en similitud.

Ejemplo

Un asistente de soporte al cliente que responde preguntas sobre la documentación interna:

1. Toda la documentación se trocea en fragmentos y se convierte en vectores con un modelo de embeddings.
2. Los vectores se almacenan en una base vectorial (Pinecone, Weaviate, Qdrant, pgvector…).
3. Cuando un usuario pregunta, su consulta se vectoriza y se buscan los fragmentos más similares.
4. Esos fragmentos se inyectan en el prompt del LLM como contexto, y el modelo responde basándose en la documentación recuperada.

Tecnologías de referencia

• Pinecone, Weaviate, Qdrant, Milvus: bases vectoriales especializadas.
• pgvector: extensión de PostgreSQL que añade tipo vector y operadores de similitud.
• Chroma: ligero, popular en prototipos y desarrollo local.
• Elasticsearch / OpenSearch con kNN search: opción si ya tienes el stack desplegado.

Más información

Lee artículos sobre arquitecturas RAG y stack de IA empresarial en Dataprix.