Una base de datos vectorial almacena vectores de alta dimensión (típicamente de 384 a 3072 números de punto flotante, dependiendo del modelo de embedding) y soporta busqueda rápida de vecinos más cercanos en millones o miles de millones de ellos. La operación fundamental es: dado un vector de consulta, encontrar los k vectores en la base de datos que están más cerca de el, medidos por similitud coseno, producto punto o distancia euclidiana. La busqueda por fuerza bruta (comparar la consulta contra cada vector almacenado) es exacta pero demasiado lenta a escala. Así que las bases de datos vectoriales usan algoritmos de vecinos más cercanos aproximados (ANN) que intercambian una mínima cantidad de precisión por ganancias masivas de velocidad — típicamente encontrando el 95–99% de los verdaderos vecinos más cercanos mientras buscan solo una pequeña fracción del índice.
El algoritmo ANN más común es HNSW (Hierarchical Navigable Small World), utilizado por Qdrant, Weaviate, pgvector y muchos otros. HNSW construye un grafo de múltiples capas donde cada vector es un nodo conectado a sus vecinos más cercanos. La busqueda comienza en la capa superior (conexiones dispersas de largo alcance) y desciende a capas inferiores (conexiones densas de corto alcance), como hacer zoom en un mapa. Es rápido, preciso y funciona bien para datasets de hasta unos cientos de millones de vectores. La compensación es la memoria: HNSW mantiene el grafo en RAM, así que necesitas suficiente memoria para tus vectores más la sobrecarga del grafo. Para un millón de vectores de 1536 dimensiones (la salida de ada-002 de OpenAI), eso es aproximadamente 6–8 GB. Alternativas como IVF (inverted file index) y ScaNN usan menos memoria pero requieren más ajuste. Pinecone y algunas configuraciones de Qdrant usan cuantización — comprimiendo vectores de float32 a int8 o binario — para caber más vectores en la misma memoria a costa de una ligera perdida de precisión.
Elegir entre las principales bases de datos vectoriales depende de tus restricciones. Qdrant y Weaviate son open source y autoalojables, lo cual importa para privacidad de datos y control de costos — los corres en tu propia infraestructura y solo pagas por computo. Pinecone es completamente gestionado (sin infraestructura que operar) pero atado al proveedor y con precio por vector, lo cual se vuelve caro a escala. ChromaDB es liviano e embebido (corre en proceso, almacena en disco), excelente para prototipos y datasets pequenos pero no construido para cargas de trabajo en producción con millones de vectores. PostgreSQL con la extensión pgvector es atractivo si ya corres Postgres, ya que evitas agregar una nueva base de datos a tu stack, pero su rendimiento de consultas queda atrás de las bases de datos vectoriales construidas a proposito en escalas mayores. Para la mayoría de los sistemas RAG en producción, Qdrant o Weaviate te dan el mejor balance de rendimiento, funcionalidades y control operativo.
El filtrado por metadata es una funcionalidad que separa las bases de datos vectoriales serias de las implementaciones de juguete. En la práctica, casi nunca quieres buscar en toda tu colección — quieres buscar "todos los documentos subidos por este usuario" o "solo documentos de los ultimos 30 días" o "solo fragmentos de este PDF específico". Las bases de datos vectoriales te permiten almacenar metadata junto a cada vector y aplicar filtros antes o durante la busqueda de similitud. Esto se llama pre-filtrado (filtrar primero, luego buscar en el conjunto reducido) o post-filtrado (buscar en todo, luego descartar resultados que no coincidan). El pre-filtrado es más eficiente pero requiere que el índice lo soporte; la mayoría de las bases de datos en producción ahora lo hacen. Definir bien tu esquema de metadata al momento de indexar ahorra un dolor enorme después — adaptar filtros a una colección que no fue disenada para ellos frecuentemente significa re-indexar todo.
Las bases de datos vectoriales existian antes de la ola actual de IA — Spotify usaba busqueda de vecinos más cercanos aproximados para recomendaciones de música hace años, y la libreria Faiss de Facebook existe desde 2017. Pero la explosión de modelos de embedding y RAG en 2023–2024 las convirtio de una tecnología de nicho en infraestructura crítica. El espacio todavia esta madurando rápido: multi-tenancy (aislamiento eficiente de datos entre clientes en un despliegue compartido), busqueda hibrida (combinando busqueda vectorial y por palabras clave en una sola consulta) e indexación en disco (manejo de datasets más grandes que la RAM) son todas áreas donde los productos difieren significativamente y están mejorando rápidamente. Si estas comenzando un proyecto hoy, elige una base de datos que maneje tu escala actual, soporte filtrado por metadata y busqueda hibrida, y tenga una trayectoria activa de mantenimiento. Siempre puedes migrar después — los vectores de embedding son portables.