Por qué importan las bases de datos vectoriales
Las bases de datos vectoriales son la columna vertebral de los sistemas RAG, búsqueda semántica y recomendación. Elegir el adecuado afecta a la latencia, la escalabilidad y la experiencia del desarrollador.
Chroma
- Tipo: Código abierto, embebido o cliente-servidor.
- Mejor para: Prototipado, proyectos pequeños y medianos.
- Pros: API sencilla, nativa de Python, se ejecuta en memoria.
- Contras: Funciones de producción limitadas a gran escala.
Qdrant
- Tipo: Código abierto, basado en Rust.
- Mejor para: Cargas de trabajo de producción de alto rendimiento.
- Pros: Rápido, filtrado, multi-tenant.
- Contras: Comunidad más pequeña que Pinecone.
Weaviate
- Tipo: Código abierto con opción en la nube.
- Mejor para: búsqueda semántica con capacidades híbridas.
- Pros: Módulos de vectorización integrados, API GraphQL.
- Contras: Mayor uso de recursos.
Pinecone
- Tipo: Servicio en la nube gestionado.
- Mejor para: Equipos que no quieren ninguna operación.
- Pros: Totalmente gestionado, sin servidor, escalado automático.
- Contras: Bloqueo de proveedores, sin opción de autoalojado.
PGVECTOR
- Tipo: Extensión PostgreSQL.
- Mejor para: Equipos que ya usan PostgreSQL.
- Pros: Sin nueva infraestructura, ecosistema SQL.
- Contras: Más lento a gran escala.
Matriz de Decisión
| Capacidad | Chroma | Qdrant | Weaviate | Pinecone | pgvector |
|---|---|---|---|---|---|
| Autoalojado | ✓ | ✓ | ✓ | ✗ | ✓ |
| Nube gestionada | ✗ | ✓ | ✓ | ✓ | ✓ |
| Embebido / sin servicio aparte | ✓ | ✗ | ✗ | ✗ | ✓ |
| Interfaz SQL nativa | ✗ | ✗ | ✗ | ✗ | ✓ |
Solo capacidades; confirma las funciones y límites actuales con cada proveedor.
Un marco de selección
Elige según cuatro ejes, no según una lista de funciones.
Tamaño del equipo y capacidad operativa. Un equipo de una a tres personas debería tratar la base de datos como una dependencia gestionada. Operar un servicio con estado implica actualizaciones, copias de seguridad, reequilibrio de shards y guardias. Si nadie se encarga de eso, una oferta gestionada o pgvector dentro de una instancia PostgreSQL existente es la opción de menor riesgo. Los equipos de plataforma más grandes pueden justificar el autoalojamiento cuando necesitan controlar hardware, ubicación de red o residencia de datos.
Flujo de trabajo y forma de las consultas. Si el producto combina filtros de metadatos con similitud vectorial, comprueba el comportamiento de los filtros bajo carga durante la prueba, no solo en la documentación. Si necesitas búsqueda híbrida de palabras clave y vectores, decide si la quieres integrada o ensamblada con dos sistemas. Si la ingesta es por lotes, el rendimiento de indexación importa más que la latencia de una sola consulta. Si sirves búsqueda interactiva, importan la latencia de cola y el recall bajo carga concurrente.
Modelo de despliegue. Embebido, de nodo único, autoalojado distribuido y serverless gestionado son productos distintos con modos de fallo distintos. Elige el modelo que realmente puedas operar durante los próximos dos años, no el que haga la demo más rápida.
Modelo de presupuesto. Compara factores de coste en lugar de precios de lista: gestionado frente a autoalojado, por consulta frente a por capacidad, almacenamiento y salida de datos, y las horas de ingeniería necesarias para mantener el sistema sano. Un servicio gestionado traslada el coste de personal a la factura; el autoalojamiento hace lo contrario. Las listas de precios cambian, así que confirma las cifras actuales con cada proveedor.
Modos de fallo y coste de migración
Los modos de fallo habituales son previsibles. El recall se desploma tras una reconstrucción de índice descuidada o un cambio de parámetros. Las consultas filtradas devuelven muy pocos resultados porque el filtro se aplica después de la búsqueda aproximada. La memoria crece sin límite porque los vectores eliminados no se compactan. El aislamiento multiusuario se añade tarde y filtra entre inquilinos. Un solo nodo se convierte en punto único de fallo justo cuando llega el tráfico.
El coste de migración no es principalmente la exportación de datos. Es volver a generar embeddings si el nuevo sistema espera otra métrica de distancia, reconstruir índices, reescribir el código de consultas y el control de acceso, reajustar el recall y volver a ejecutar tu conjunto de evaluación. Planifica un periodo de doble escritura y una ruta de reversión. Exportar vectores es fácil; reproducir el comportamiento del que depende tu aplicación es la parte difícil.
Consejos de despliegue
- Empieza en local: usa Chroma en memoria para desarrollo y luego migra a Qdrant o Pinecone para producción.
- Ajuste de índices: para Qdrant, usa el índice HNSW con m=16 y ef_construct=200 como punto de partida. Para pgvector, IVFFlat con lists=sqrt(N) y probes=10 funciona bien.
- Monitorización: sigue la latencia de consulta p99, el rendimiento de indexación y el uso de memoria. Configura alertas cuando la memoria supere el 80 % de la RAM disponible.
- Estrategia de respaldo: Qdrant admite snapshots; Pinecone lo gestiona automáticamente; para pgvector, usa pg_dump con --schema-only para las definiciones de índice y copia para los datos.
Lista de validación de una semana
Haz la prueba con tus propios datos y tus propias consultas. No dependas de los benchmarks del proveedor.
- Día 1: Carga una muestra representativa (por ejemplo, el 10–20% de los vectores de producción) con metadatos reales.
- Día 2: Ejecuta tus diez consultas más importantes y otras deliberadamente ambiguas; registra a mano los juicios de relevancia.
- Día 3: Aplica los filtros que usa realmente el producto y confirma el número de resultados y el recall.
- Día 4: Ejecuta carga concurrente en tu pico esperado y observa latencia p95/p99, memoria y tasa de errores.
- Día 5: Mata un nodo, reinicia el servicio y restaura desde una copia; mide el tiempo de recuperación.
- Día 6: Reconstruye un índice y mide cuánto tiempo se degradan las consultas.
- Día 7: Estima el coste mensual a partir de tu propio uso y de las horas de ingeniería necesarias al mes.
Escribe los umbrales de aprobado/suspenso antes de empezar. Una prueba sin umbrales predefinidos se convierte en una demo.
Cuándo no elegir ninguno
Evita una base de datos vectorial dedicada cuando tu corpus es lo bastante pequeño para búsqueda exacta en PostgreSQL o en memoria, cuando no tienes un conjunto de evaluación y no puedes medir la calidad de recuperación, o cuando la carga es un análisis puntual y no un servicio en línea. Espera también si no puedes dotar de personal el modelo operativo que estás considerando. Una base de datos vectorial dedicada añade un sistema con estado a tu stack; si el problema de recuperación aún no es el cuello de botella, resolverlo antes de tiempo añade coste sin valor para el usuario.