Vector database

Qué es una vector database

Una vector database es una base de datos especializada en almacenar y buscar embeddings vectoriales (vectores numéricos de cientos/miles de dimensiones).

A diferencia de BBDD tradicionales (MySQL, PostgreSQL) que están optimizadas para queries SQL exactas, las vector databases están optimizadas para búsqueda por similitud: “encuentra los 5 vectores más cercanos a este vector dado”.

Por qué son necesarias

Si tienes 1 millón de embeddings y quieres encontrar los 5 más cercanos a una query:

Sin vector DB

Calcular distancia con cada uno: 1M operaciones. Lento (segundos).

Con vector DB

Usan índices especializados (HNSW, IVF, LSH) que permiten encontrar en decenas de milisegundos.

Vector DBs populares 2026

Pinecone

SaaS gestionado. La más popular. Fácil de usar.

• Plan gratis: 1 índice, 100k vectores
• Pro: desde 70$/mes
• Pros: madurez, soporte, comunidad
• Contras: lock-in, caro a gran escala

Weaviate

Open source + cloud opcional. Muy potente.

• Self-hosted gratis
• Cloud: pricing on-demand
• Pros: flexible, multimodal
• Contras: curva de aprendizaje

Chroma

Simple, embebido. Ideal para empezar.

• Open source gratis
• Cloud opcional
• Pros: fácil, ligero
• Contras: limitado a gran escala

Qdrant

Open source + cloud. Performance excelente.

• Self-hosted gratis
• Cloud: desde 0$/mes (cluster pequeño)
• Pros: rápido, eficiente
• Contras: más técnico

pgvector (PostgreSQL extension)

Extensión de PostgreSQL para vectores.

• Gratis (parte de Postgres)
• Pros: reutilizar Postgres existente, transacciones ACID
• Contras: rendimiento menor que dedicadas

Cloudflare Vectorize

Vector DB en el edge (Cloudflare).

• Plan Workers Paid (5$/mes) lo incluye
• Pros: integración con stack Cloudflare, edge native
• Contras: relativamente nuevo

Operaciones típicas

Insert

db.upsert(
    id="doc-123",
    vector=[0.1, 0.5, ...],  # 1536 floats
    metadata={"source": "manual.pdf", "page": 5, "section": "instalación"}
)

Query (búsqueda por similitud)

results = db.query(
    vector=query_embedding,
    top_k=5,
    filter={"source": "manual.pdf"}
)
# Devuelve los 5 vectores más cercanos

Filter

Combinar similitud vectorial con filtros tradicionales:

results = db.query(
    vector=query_embedding,
    top_k=10,
    filter={"category": "legal", "date": {"$gte": "2024-01-01"}}
)

Métricas de distancia

Configurar al crear el índice:

• Cosine similarity: lo más común (ver Embedding)
• Euclidean distance: distancia geométrica
• Dot product: producto escalar

Para texto: cosine funciona mejor en la mayoría de casos.

Performance

Indexación

Crear el índice puede tardar segundos (1k vectores) a horas (millones).

Query

Una búsqueda típica: 10-100 ms sobre millones de vectores.

Escalabilidad

Vector DBs modernas escalan a billones de vectores con sharding y distribución.

Coste

Storage

Vectores de 1536 dim × 4 bytes ≈ 6KB cada uno. 1M vectores = 6GB.

A 0,025$ /GB/mes (S3 standard) ≈ 0,15$ /mes solo por storage.

Compute (queries)

Aquí es donde escala el coste:

• Pinecone Starter: 70$/mes para 100M operaciones
• Self-hosted: solo coste del servidor (5-50$/mes según volumen)

Cuándo usar cada una

Pyme empezando

Chroma o Pinecone Free. Simples, suficientes.

Producto en producción con tráfico medio

Pinecone Pro o Qdrant Cloud. Probadas, soporte.

Producto técnico con stack propio

Weaviate self-hosted o Qdrant. Más control.

Stack Cloudflare ya existente

Cloudflare Vectorize. Integración natural.

Stack PostgreSQL ya existente

pgvector. Aprovecha lo que tienes.

Caso típico de uso (RAG)

1. Cargar 1000 documentos de la empresa
2. Trocear en chunks de ~500 palabras
3. Generar embedding por chunk (con OpenAI o similar)
4. Almacenar en vector DB con metadata
5. Cuando user pregunta: embedding de la pregunta + query a DB + top 5 chunks
6. Pasar a LLM como contexto
7. LLM responde con info real de los documentos

Las IAs de IMPERO usan Cloudflare Vectorize para mantener todo en edge y bajar latencia.