Bases de datos vectoriales

🔄 En la lección anterior generaste vectores a partir de tus fragmentos de texto. Ahora necesitas un lugar donde guardarlos y buscar en ellos — rápido, a escala, con filtros.

Hay demasiadas opciones. Vamos a cortar el ruido.

Lo que aprenderás

Al terminar esta lección sabrás qué base de datos vectorial usar para tu caso, cómo indexar vectores de forma eficiente y cómo ejecutar consultas que combinan semántica con filtros.

La tabla que necesitas

Supabase pgvector: La opción práctica

Para la mayoría de proyectos — especialmente en LATAM donde el costo importa — Supabase con pgvector es el punto de partida correcto.

¿Por qué?

1. Un solo servicio: Base de datos + vectores + autenticación + API REST. No necesitas integrar 4 servicios diferentes.
2. Precio predecible: $25/mes (plan Pro) incluye consultas ilimitadas. Pinecone cobra por lectura/escritura — los costos suben con el uso.
3. Búsqueda híbrida nativa: Combina Full-Text Search (keywords) + búsqueda vectorial en una sola consulta SQL. En Pinecone necesitas workarounds.
4. Row-Level Security (RLS): Cada usuario ve solo sus datos. Para aplicaciones multi-tenant (SaaS), esto es oro.

Ejemplo: Insertar y buscar vectores en Supabase

-- Crear tabla con columna vectorial
create table documents (
  id bigserial primary key,
  content text,
  metadata jsonb,
  embedding vector(1536)  -- dimensiones del modelo
);

-- Crear índice HNSW para búsqueda rápida
create index on documents
  using hnsw (embedding vector_cosine_ops);

-- Insertar un fragmento con su vector
insert into documents (content, metadata, embedding)
values (
  'La política permite devoluciones en 30 días...',
  '{"source": "politicas.pdf", "page": 4}'::jsonb,
  '[0.23, -0.15, 0.87, ...]'::vector
);

-- Buscar los 5 fragmentos más similares
select content, metadata,
       1 - (embedding <=> query_vector) as similarity
from documents
order by embedding <=> query_vector
limit 5;

El operador <=> calcula distancia coseno. Ordenar por esa distancia te da los fragmentos más similares.

✅ Quick Check: ¿Qué ventaja tiene la búsqueda híbrida (keyword + semántica) sobre la búsqueda puramente semántica? (La búsqueda semántica encuentra conceptos similares, pero puede fallar con términos técnicos exactos — un número de póliza, un código de producto, un nombre propio. La búsqueda por keywords los encuentra exactamente. Combinando ambas, capturas tanto la intención semántica como los términos específicos.)

Indexación: Por qué HNSW importa

Sin índice, buscar el vector más similar en 1 millón de vectores requiere calcular 1 millón de distancias. Eso toma segundos — inaceptable para una aplicación en tiempo real.

HNSW (Hierarchical Navigable Small World) organiza los vectores en capas de grafos:

Capa 3 (pocos nodos):    A ——— B
                         / \
Capa 2:             C — A — D — B
                   / \ / \ / \ / \
Capa 1:         E-C-F-A-G-D-H-B-I
                ...muchos nodos...
Capa 0 (todos):  todos los vectores

La búsqueda empieza arriba (pocos nodos, saltos grandes) y baja (más nodos, saltos finos). Resultado: O(log n) en vez de O(n).

En la práctica:

• 1M vectores sin índice: ~2-5 segundos por consulta
• 1M vectores con HNSW: ~5-50 milisegundos por consulta

Configuración del índice en Supabase:

-- HNSW con distancia coseno (la más común para RAG)
create index on documents
  using hnsw (embedding vector_cosine_ops)
  with (m = 16, ef_construction = 200);

• m = 16: Conexiones por nodo (más = más preciso pero más memoria)
• ef_construction = 200: Calidad de construcción (más = mejor índice pero más tiempo de build)

Búsqueda híbrida: Keywords + Semántica

La búsqueda puramente semántica tiene un punto ciego: términos específicos.

• “Póliza 45892-B” → La semántica no ayuda, necesitas match exacto
• “¿Cómo funciona la cobertura dental?” → La semántica es perfecta aquí
• “Cobertura dental póliza 45892-B” → Necesitas las dos

En Supabase, las combinas en una sola query:

-- Búsqueda híbrida: FTS + vectorial
select content, metadata,
       ts_rank(to_tsvector('spanish', content), query) as keyword_score,
       1 - (embedding <=> query_embedding) as semantic_score
from documents,
     to_tsquery('spanish', 'cobertura & dental') as query
where to_tsvector('spanish', content) @@ query
   or (embedding <=> query_embedding) < 0.5
order by (keyword_score * 0.3 + semantic_score * 0.7) desc
limit 5;

El peso 0.3/0.7 entre keywords y semántica es un punto de partida. Ajústalo según tus datos.

Cuándo migrar a una base dedicada

La mayoría de los proyectos nunca pasan de 1 millón de vectores. No te sobre-arquitectes.

Puntos clave

• Supabase pgvector combina datos + vectores + auth en un servicio — ideal para startups y equipos que quieren simplicidad
• Pinecone es más rápido en latencia pura, pero la diferencia es imperceptible para el usuario final en la mayoría de casos
• HNSW reduce tiempos de búsqueda de segundos a milisegundos organizando vectores en grafos jerárquicos
• Búsqueda híbrida (keyword + semántica) captura tanto la intención como los términos específicos — úsala siempre
• No migres a una base dedicada hasta que la evidencia lo exija (>50M vectores, requisitos de latencia extremos)

Siguiente lección

Tienes vectores almacenados e indexados. Ahora la pregunta es: ¿cómo encontrar los fragmentos correctos para cada consulta? En la siguiente lección: estrategias de recuperación avanzadas — reranking, HyDE y reescritura de consultas.