CODER SALE 🔥

Aprovecha hasta 60% OFF y hasta 12 cuotas en CURSOS y CARRERAS

|

Hasta el 18/11 ⏰

CODER SALE 🔥

Aprovecha hasta 60% OFF y hasta 12 cuotas en CURSOS y CARRERAS

|

Hasta el 18/11 ⏰

Hasta el 18/11 ⏰

CODER SALE 🔥

Aprovecha hasta 60% OFF y hasta 12 cuotas en CURSOS y CARRERAS

Cursos

Empresas

¿Por qué Coder?

Bases de datos vectoriales: qué son, para qué sirven y cuándo elegir Pinecone, pgvector o Chroma

Francisco Rhaiel

AI Growth Engineer

Inteligencia Artificial

Bases de datos vectoriales: qué son, para qué sirven y cuándo elegir Pinecone, pgvector o Chroma

Bases de datos vectoriales: qué son, para qué sirven y cuándo elegir Pinecone, pgvector o Chroma

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):

CREATE EXTENSION vector;
CREATE TABLE items (id bigserial PRIMARY KEY, embedding vector(3));
INSERT INTO items (embedding) VALUES ('[1,2,3]'), ('[4,5,6]');
-- los 5 vecinos más cercanos por distancia L2
SELECT * FROM items ORDER BY embedding <-> '[3,1,2]' LIMIT 5;
-- índice aproximado HNSW para distancia L2
CREATE INDEX ON items USING hnsw (embedding vector_l2_ops);
CREATE EXTENSION vector;
CREATE TABLE items (id bigserial PRIMARY KEY, embedding vector(3));
INSERT INTO items (embedding) VALUES ('[1,2,3]'), ('[4,5,6]');
-- los 5 vecinos más cercanos por distancia L2
SELECT * FROM items ORDER BY embedding <-> '[3,1,2]' LIMIT 5;
-- índice aproximado HNSW para distancia L2
CREATE INDEX ON items USING hnsw (embedding vector_l2_ops);
CREATE EXTENSION vector;
CREATE TABLE items (id bigserial PRIMARY KEY, embedding vector(3));
INSERT INTO items (embedding) VALUES ('[1,2,3]'), ('[4,5,6]');
-- los 5 vecinos más cercanos por distancia L2
SELECT * FROM items ORDER BY embedding <-> '[3,1,2]' LIMIT 5;
-- índice aproximado HNSW para distancia L2
CREATE INDEX ON items USING hnsw (embedding vector_l2_ops);
CREATE EXTENSION vector;
CREATE TABLE items (id bigserial PRIMARY KEY, embedding vector(3));
INSERT INTO items (embedding) VALUES ('[1,2,3]'), ('[4,5,6]');
-- los 5 vecinos más cercanos por distancia L2
SELECT * FROM items ORDER BY embedding <-> '[3,1,2]' LIMIT 5;
-- índice aproximado HNSW para distancia L2
CREATE INDEX ON items USING hnsw (embedding vector_l2_ops);

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

Francisco Rhaiel

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.

Imagen promocionando quiz gratis de Coderhouse para encontrar tu formación.
Imagen promocionando quiz gratis de Coderhouse para encontrar tu formación.

NEWSLETTER

Suscríbete y mantente al día con las últimas noticias, ofertas exclusivas y recursos útiles directamente en tu correo.

Perú

© 2026 Coderhouse. Todos los derechos reservados.

NEWSLETTER

Suscríbete y mantente al día con las últimas noticias, ofertas exclusivas y recursos útiles directamente en tu correo.

Perú

© 2026 Coderhouse. Todos los derechos reservados.

NEWSLETTER

Suscríbete y mantente al día con las últimas noticias, ofertas exclusivas y recursos útiles directamente en tu correo.

Perú

© 2026 Coderhouse. Todos los derechos reservados.

NEWSLETTER

Suscríbete y mantente al día con las últimas noticias, ofertas exclusivas y recursos útiles directamente en tu correo.

Perú

© 2026 Coderhouse. Todos los derechos reservados.