Explicador en lenguaje claro
Las bases de datos vectoriales, explicadas
¿Qué es una base de datos vectorial y por qué todo stack de RAG tiene una?
Una base de datos vectorial guarda embeddings, las listas de números que codifican significado, y responde rápido una sola pregunta: ¿qué elementos guardados quedan más cerca de este vector nuevo? Eso es buscar por significado en vez de por palabra clave. Conviertes tus documentos en embeddings una vez, conviertes la pregunta del usuario al momento, traes los fragmentos más cercanos y los pegas en el context del modelo. Ese paso de traer es la recuperación de RAG, y los índices especializados existen porque comparar millones de vectores a lo bruto sería lentísimo.
No te quedes en leerlo. Opera tú mismo el mecanismo en una lección interactiva corta.
Míralo funcionar: RAG: la recuperación como retorno a la similitud →Gratis, sin código, sin registro.
Lo que la gente entiende mal
- Es una base de datos de hechos que la IA sabe. Guarda tu contenido como vectores; el modelo queda congelado y aparte.
- La búsqueda vectorial entiende los documentos. Solo ordena por cercanía geométrica. Un contenido mal troceado se recupera mal, da igual el modelo.
- Siempre necesitas una. Un corpus pequeño cabe directo en la ventana de contexto; la base se gana el puesto a escala.
Dónde lo ves en productos reales
- Todo producto de 'chatea con tus documentos' corre una por debajo.
- Herramientas como Pinecone o la extensión pgvector son exactamente este componente.
- La búsqueda semántica en apps de notas, encontrar la nota que describes pero nunca titulaste, es búsqueda vectorial.
Explicadores relacionados
Parte de See How AI Works, un curso interactivo gratuito, donde aprendes cómo funciona la IA moderna operándola, no viendo videos.