Una base de datos vectorial guarda datos como listas de números, los embeddings, que representan su significado, y encuentra rápido los más parecidos a una consulta. Así busca por sentido y no por palabra exacta: «me cobraron dos veces» encuentra «cargo duplicado». RAG puede usarla para elegir qué fragmentos leer.
Una pregunta de la app. Elige una respuesta.
Tu bot responde con 20 preguntas frecuentes. ¿Necesitas una base de datos vectorial?
Los embeddings se comparan igual sin una base aparte: con 20 textos, un programa simple los recorre todos al instante.
Veinte respuestas cortas entran juntas en el contexto y el modelo las lee todas en cada pregunta. Si el contenido crece, conviene recuperar sólo lo relevante.
El modelo lee el texto que recibe en el contexto. Una base vectorial ayuda a recuperar contenido, no hace falta para leerlo.
Un soporte tiene miles de casos resueltos. Alguien escribe «me cobraron dos veces». Un buscador por palabras busca «cobraron» y «veces», y el caso que se titula «cargo duplicado en la tarjeta» no tiene ninguna de las dos: no aparece.
Con una base vectorial, cada caso se guardó con sus embeddings. Se calcula el de la pregunta, se buscan los puntos más cercanos y «cargo duplicado» aparece entre ellos, porque significa lo mismo aunque no comparta palabras.
Una base de datos de siempre busca sobre todo valores exactos en filas y columnas: este cliente, esta fecha. Una vectorial está hecha para encontrar lo más parecido. Para no comparar la consulta contra millones de vectores uno por uno, suele usar un índice aproximado que salta directo al vecindario: ahorra tiempo, pero a veces se le escapa alguno cercano.
En un sistema RAG con búsqueda vectorial, es el paso del medio: un modelo convierte tus documentos en embeddings, la base los guarda y encuentra los fragmentos más cercanos a cada pregunta, y el modelo responde leyéndolos.
Si tienes treinta preguntas frecuentes o un manual de pocas páginas, probablemente entra entero en la ventana de contexto: lo pegas y listo. Si son unos miles de fragmentos, un programa simple puede calcular sus embeddings y compararlos todos en memoria, sin montar un servidor aparte. La base vectorial rinde cuando son demasiados para recorrerlos a tiempo, cambian seguido o necesitas filtrar por fecha o cliente.
Y no reemplaza a la búsqueda por palabra: para un código de producto o un número de pedido, lo exacto gana. Por eso muchos sistemas combinan las dos.