
Francisco Rhaiel
AI Growth Engineer
Inteligencia Artificial
Publicado el
Resumen ejecutivo
Una base de datos vectorial guarda embeddings (listas de números que representan el significado de un texto, imagen o audio) y encuentra los más cercanos a una consulta.
Es la pieza que permite buscar por significado y no solo por palabras exactas, y por eso aparece en casi todos los sistemas RAG y en muchos agentes de IA.
pgvector agrega búsqueda vectorial a PostgreSQL, Chroma es una base de datos de código abierto pensada para aplicaciones de IA y Pinecone es un servicio dedicado; cada uno gana en un escenario distinto.
Al final tienes una tabla para decidir y un ejemplo en SQL para probar pgvector en minutos.
Cuando un asistente de IA responde con información de los documentos de tu empresa, casi siempre hay una base de datos vectorial detrás. Es el componente que recupera los fragmentos relevantes antes de que el modelo redacte la respuesta, y por eso se volvió una pieza habitual de los proyectos con IA. Esta guía explica el concepto con ejemplos y te ayuda a decidir qué herramienta usar. Si aún no conoces el patrón al que sirve, lee antes qué es RAG: Retrieval Augmented Generation explicado.
Qué es un embedding
Un embedding es la representación numérica de un contenido. Un modelo convierte una frase, por ejemplo "cómo cambiar mi contraseña", en un vector (una lista de números, de decenas a miles de dimensiones). Frases con significados parecidos quedan con vectores cercanos entre sí, aunque no compartan palabras: "recuperar el acceso a mi cuenta" estará cerca de la anterior. Para entender los modelos que generan estos vectores, mira qué es un LLM y cómo funcionan los modelos de lenguaje.
Qué es una base de datos vectorial
Es un sistema que almacena vectores junto con sus metadatos (por ejemplo, el texto original, la fuente o la fecha) y responde a una pregunta concreta: dado este vector, ¿cuáles son los k más parecidos? A esa operación se la llama búsqueda de vecinos más cercanos. La diferencia con una base relacional tradicional es el tipo de consulta: en lugar de filtrar con igualdad o rangos, ordena por distancia entre vectores. Si vienes del mundo SQL, repasa antes qué son las bases de datos relacionales.
Cómo funciona la búsqueda por similitud
Medidas de distancia
La cercanía entre vectores se mide con una función de distancia. Las más comunes son la distancia euclidiana (L2), el producto interno y la distancia coseno. La documentación de pgvector lista estas opciones y otras, como L1, Hamming y Jaccard para vectores binarios. Con embeddings de texto, el coseno es una opción habitual, pero conviene seguir la recomendación del modelo que generó los vectores.
Búsqueda exacta y aproximada
Comparar la consulta contra todos los vectores da resultados exactos, pero se vuelve lento cuando hay millones de registros. Por eso las bases usan índices de búsqueda aproximada (ANN): sacrifican un poco de precisión (recall) para ganar velocidad. pgvector soporta dos tipos de índice, HNSW e IVFFlat. Según su documentación, HNSW ofrece mejor equilibrio entre velocidad y recall que IVFFlat, a cambio de tardar más en construirse y usar más memoria.
Tres opciones frecuentes
pgvector: vectores dentro de PostgreSQL
Es una extensión de PostgreSQL de código abierto. Guarda vectores en una tabla común, con la ventaja de que mantiene todo lo de Postgres: transacciones ACID, recuperación a un punto en el tiempo y JOINs con el resto de tus datos. Está documentado en su repositorio oficial. Es una buena primera opción si ya usas Postgres y tu volumen es moderado.
Chroma: base de código abierto para aplicaciones de IA
Chroma se instala como librería y también ofrece modo cliente-servidor, según su documentación. Es práctica para prototipos y proyectos pequeños porque permite arrancar con pocas líneas de código y trabaja con colecciones, metadatos y funciones de embedding.
Pinecone: servicio dedicado
Pinecone es una base de datos vectorial como servicio, que la empresa presenta como un motor de búsqueda para agentes y aplicaciones de IA. Su documentación cubre índices, namespaces, búsqueda híbrida y multitenencia. Tiene sentido cuando no quieres operar infraestructura propia o necesitas funciones de escala sin armarlas tú.
Cuándo elegir cada una
Escenario | Opción para empezar | Por qué |
|---|---|---|
Ya usas PostgreSQL y necesitas buscar documentos o productos por significado | pgvector | Un solo sistema, JOINs y transacciones con tus datos |
Prototipo, demo o aprendizaje | Chroma | Arranque rápido y simple |
Quieres delegar la operación y escalar sin administrar servidores | Pinecone | Servicio gestionado con funciones de búsqueda avanzadas |
Necesitas filtros combinados con datos de negocio | pgvector | Filtras por columnas y por vector en la misma consulta |
Una regla útil: empieza con lo que ya tienes. Cambiar de base vectorial más adelante es posible si guardas los textos originales y puedes regenerar los embeddings.
Ejemplo en SQL con pgvector
Este ejemplo sigue la sintaxis del repositorio oficial, con vectores de tres dimensiones para que sea legible (los reales tienen cientos o miles):
El operador <-> calcula la distancia L2, <=> la distancia coseno y <#> el producto interno negativo. En un proyecto real, los vectores los genera un modelo de embeddings a partir de tus textos.
Errores comunes
Mezclar modelos de embeddings: la consulta y los documentos deben generarse con el mismo modelo.
No guardar el texto original: sin él no puedes regenerar embeddings ni mostrar la fuente.
Dividir mal los documentos: fragmentos demasiado largos o cortados al medio empeoran los resultados; la calidad del recorte pesa tanto como la base elegida.
Medir solo la velocidad: en un índice aproximado, evalúa también el recall con consultas reales.
Qué aprender para trabajar con esto
El puente natural es SQL y Python, luego RAG y agentes. Para entender dónde encaja cada pieza, lee agentes de IA: qué son, para qué sirven y cómo empezar a usarlos y cómo elegir entre fine-tuning, RAG o prompt engineering. Si quieres una formación guiada con proyectos, la Carrera de AI Automation de Coderhouse incluye sistemas RAG y agentes autónomos, con clases en vivo y profesores que trabajan en el área.
Preguntas frecuentes
¿Una base de datos vectorial reemplaza a una relacional? No. Cumple otra función: busca por similitud. En la práctica se usan juntas, y pgvector las combina en el mismo motor.
¿Necesito una base vectorial para usar RAG? Para volúmenes pequeños puedes empezar con una librería simple o con pgvector. Un servicio dedicado conviene cuando el volumen o los requisitos de escala lo justifican.
¿Qué diferencia hay entre HNSW e IVFFlat? Son dos tipos de índice aproximado. Según la documentación de pgvector, HNSW rinde mejor en velocidad y recall, pero tarda más en construirse y usa más memoria.
¿Qué es un embedding en términos simples? Una lista de números que representa el significado de un contenido, de modo que contenidos parecidos queden cerca entre sí.

Sobre el autor
Soy Francisco Rhaiel, AI Growth Engineer en Coderhouse. Mi día a día consiste en automatizar y optimizar procesos aplicando lo último en inteligencia artificial, incluyendo Agentic AI y Gen AI. Soy graduado de la Universidad Torcuato Di Tella (UTDT) en Tecnología Digital, y mi recorrido me llevó a especializarme en la intersección entre tecnología, datos y negocio. Me mueve aprender, construir y aplicar tecnologías innovadoras para resolver problemas reales. Para profundizar en mi trayectoria, te espero en mi perfil de LinkedIn.
Artículos destacados
Ver todos los artículos
Guía de Rol
Business Intelligence como carrera: qué hace un BI Analyst y cuánto gana
Publicado el
Tutorial: Guía Paso a Paso
API de IA para principiantes: conecta GPT, Claude y Gemini a tus proyectos
Publicado el
Comparativa de Herramientas
Business Intelligence vs Data Analytics: diferencias clave, herramientas y qué aprender primero en Argentina
Publicado el
Uso de IA
Agentes de IA: qué son, para qué sirven y cómo empezar a usarlos en tu trabajo
Publicado el
Tutorial: Guía Paso a Paso
Claude Cowork vs ChatGPT: cuál elegir para automatizar tareas
Publicado el
Ruta de Aprendizaje
¿Cómo aprender inteligencia artificial desde cero? Guía Completa
Publicado el
