saltar al contenido
sec/atlas
volver al mapa
componente
etapa: index
3 min de lectura

Vector DB

La vector DB es el componente que guarda embeddings y responde '¿qué vectores están más cerca de este?' en milisegundos. Es donde el ANN (HNSW, IVF) paga el costo de la búsqueda semántica.

PineconeWeaviateQdrantpgvector

Qué es

Una vector DB es una base de datos especializada en almacenar vectores densos y responder consultas de vecindad. La consulta típica es 'top-k vecinos más cercanos de este vector', y corre con baja latencia incluso con millones o miles de millones de vectores indexados.

A diferencia de una base relacional, el índice primario es la distancia geométrica, no la clave primaria. La comparación exacta (término, id) todavía existe, pero la búsqueda principal usa algoritmos aproximados de vecinos más cercanos (), que renuncian al resultado exacto a cambio de velocidad.

ANN: HNSW e IVF

Dos algoritmos dominan el estado de la práctica. HNSW () construye un grafo en capas: cada capa es un grafo navegable, y los vértices saltan de capa en capa siguiendo a los vecinos más cercanos. La búsqueda entra por la capa de arriba, desciende y converge. Latencia excelente, uso de memoria alto.

IVF (Inverted File Index) particiona el espacio en celdas y guarda, por celda, los vectores que le pertenecen. En la búsqueda, comparamos el vector de consulta con los centroides, escogemos las celdas más cercanas y solo entonces comparamos con los vectores de esas celdas. Menos memoria que HNSW, latencia ligeramente mayor. La mayoría de las bases usa IVF combinado con cuantización (PQ, SQ) para reducir aún más el costo.

Metadata y filtros

Un vector solo resuelve poco. En producción, cada embedding viene con metadata: documento de origen, fecha, autor, categoría, tags, idioma, nivel de acceso. La búsqueda combina 'vecinos más cercanos' con 'filtro de metadata'. Los filtros recortan el espacio de búsqueda antes de que corra el ANN, así que reducen la latencia y mejoran la precisión.

Dos patrones se destacan. Pre-filtro: aplica el filtro de metadata y corre ANN sobre el subconjunto. Post-filtro: corre el ANN completo y descarta lo que no pasa el filtro. El pre-filtro es mejor cuando el filtro es restrictivo; el post-filtro es mejor cuando casi todo pasa.

En la práctica

pgvector es la extensión vectorial de PostgreSQL: corre junto con la base relacional y permite filtrar metadata en la cláusula WHERE antes de la búsqueda. El ejemplo crea la tabla con un vector de 1536 dimensiones (tamaño típico de text-embedding-3-small), inserta chunks y hace la búsqueda top-5 con filtro de categoría.

vector-db/query.sqlsql
-- creación
CREATE EXTENSION IF NOT EXISTS vector;

CREATE TABLE chunks (
  id          BIGSERIAL,
  doc_id      TEXT NOT NULL,
  category    TEXT NOT NULL,
  content     TEXT NOT NULL,
  embedding   vector(1536),
  PRIMARY KEY (id)
);

CREATE INDEX chunks_embedding_hnsw
  ON chunks USING hnsw (embedding vector_cosine_ops);
CREATE INDEX chunks_category_idx ON chunks (category);

-- inserción (chunks con embeddings ya calculados en otro paso)
INSERT INTO chunks (doc_id, category, content, embedding)
VALUES ($1, $2, $3, $4);

-- búsqueda top-5 con filtro de metadata
SELECT id, doc_id, content,
       1 - (embedding <=> $1::vector) AS score
FROM chunks
WHERE category = 'manual'
ORDER BY embedding <=> $1::vector
LIMIT 5;

Puntos fuertes

  • búsqueda por similitud a escala: el ANN entrega top-k en milisegundos con millones de vectores
  • filtro híbrido: combina vecindad geométrica con WHERE de SQL o filtro nativo, así que buscar por espacio es alcanzable
  • opciones para todo presupuesto: pgvector ahorra infraestructura adicional; Pinecone/Qdrant/Weaviate entregan throughput dedicado

Limitaciones

  • el ANN es aproximado: el ranking puede cambiar vecinos verdaderos por vecinos cercanos; ajustar recall vs latencia es trabajo continuo
  • memoria alta: HNSW en alta dimensionalidad consume más RAM que el dato original
  • consistencia entre sharding y reindexación: recrear el índice con tráfico real exige cuidado, y el downtime se vuelve un problema de producción
ANNapproximate nearest neighborFamilia de algoritmos (HNSW, IVF, LSH) que sacrifican exactitud por una velocidad brutal en la búsqueda de vecinos en alta dimensión. ANN no encuentra al vecino perfecto, sino a uno suficientemente bueno, y en retrieval de producción ese trade-off es lo que hace que el sistema quepa en el presupuesto de latencia.ver en el glosario →HNSWhierarchical navigable small worldEstructura de grafo en capas que las bases vectoriales usan para buscar vecinos en alta dimensión. Cada capa es un grafo disperso que salta lejos; las de abajo hacen el ajuste fino. Es la razón por la que pgvector, Pinecone, Weaviate, Qdrant y LanceDB responden en milisegundos con millones de vectores.ver en el glosario →

conexiones en el mapa

actualizado el 14/10/2026 · fuentes para profundizar · reportar un error

en otros dominios

Estudia antes

Desbloquea

pon a prueba lo que entendiste

Cargando preguntas…