Índice del artículo
- En 30 segundos
- Explicado con un pedido de oficina
- No lo confundas con
- Primero se prepara el contenido
- Después llega tu pregunta
- Buscar palabras, significado o ambos
- ¿Necesitas otro servicio?
- Cómo revisar un buscador antes de confiar en él
- Para seguir aprendiendo
- Dudas sobre bases vectoriales, respuestas cortas
En 30 segundos
Una base de datos vectorial guarda listas de números que representan contenidos y busca las más parecidas para encontrar información por significado.
Puede formar parte de tu buscador documental, pero no redacta la respuesta: recupera información que otro componente puede utilizar.
Explicado con un pedido de oficina
Ejemplo ilustrativo: imagina una distribuidora de material de oficina de Valencia que guarda sus condiciones comerciales aprobadas. Un comercial pregunta por «gastos de entrega» y el documento habla de «coste de envío». Una búsqueda por significado puede relacionar ambas expresiones y recuperar el apartado pertinente. La coincidencia de palabras deja de ser el único camino para localizarlo.
La comparación con una biblioteca ayuda, con un límite: no hay un bibliotecario que comprenda el pedido. El sistema compara representaciones numéricas de la pregunta y del contenido. El resultado depende de cómo se hayan creado esas representaciones.
No lo confundas con
Base de conocimiento
Es el contenido que consultas: condiciones, manuales o procedimientos. La base vectorial puede ser una pieza técnica del sistema que permite encontrarlo.
Embeddings
Los embeddings son representaciones numéricas del contenido. Un modelo los produce; la base los almacena y busca. Algunas plataformas reúnen ambas funciones.
RAG
RAG combina recuperación y generación: busca información y la pasa como contexto a un modelo que redacta. Consultar documentos de esta manera no equivale a entrenar el modelo con ellos.
Primero se prepara el contenido
- Documentos
- Fragmentos
- Embeddings
- Base vectorial
La fragmentación consiste en dividir documentos en partes que se puedan recuperar. El modelo convierte el contenido en vectores, listas de números que representan sus características. La base guarda esas representaciones y puede asociarlas con información como el documento de origen. Preparar el contenido y contestar una consulta son momentos distintos: antes de buscar, alguien debe decidir qué documentos entran y cómo se identifican. Los vectores no se limitan al texto: también pueden representar características de imágenes u otros contenidos, según el modelo utilizado. Por eso conviene saber qué representación se ha elegido y para qué material sirve, sin dar por hecho que todas funcionan igual.
Después llega tu pregunta
- Pregunta
- Vector de consulta
- Busca parecidos
- Recupera
- Redacción opcional
- Tú revisas
La pregunta también se representa con números para compararla con el contenido guardado. La base devuelve los registros más próximos según esa comparación. Un modelo conectado puede usar los fragmentos como contexto para elaborar un borrador; sin ese paso, tienes resultados de búsqueda. Recuperar y redactar son trabajos diferentes. En la distribuidora, el responsable debe contrastar las condiciones y el importe aplicable al pedido antes de enviar la oferta.
Buscar palabras, significado o ambos
La carpeta donde guardas los archivos no determina cómo se buscan. Puede alimentar distintos buscadores. Compara qué busca cada opción y qué debes comprobar en tus documentos.
Semejanza de contenido. La búsqueda vectorial compara las representaciones numéricas. Puede relacionar una pregunta con un apartado que utiliza otras palabras; eso es lo que explica la búsqueda semántica.
- Qué probar
- Usa la paráfrasis del ejemplo: pregunta por gastos de entrega cuando las condiciones hablan de coste de envío. Comprueba si recupera el apartado que responde a la consulta, no solo uno que trata de entregas.
¿Necesitas otro servicio?
Si tu aplicación ya utiliza PostgreSQL, una base de datos, pregunta por pgvector: es un añadido que permite guardar y buscar vectores junto con otros datos y aplicar filtros. Ofrece búsquedas exactas y aproximadas. Las aproximadas pueden ganar velocidad, pero dejar fuera resultados que encontraría una exacta. Aquí «exacta» se refiere a la comparación entre vectores; no garantiza que el texto encontrado sea cierto.
Antes de contratar nada, pregunta qué incluye tu aplicación, dónde guarda la información, cómo se actualiza y quién mantendrá el buscador. El presupuesto debe incluir integración, alojamiento y mantenimiento, además del programa. Puedes revisar estas decisiones en la consultoría de Ciade.
Cómo revisar un buscador antes de confiar en él
Prepara consultas con respuesta conocida
Reúne preguntas reales y anota qué documento vigente debería resolver cada una. Incluye una paráfrasis, una referencia exacta, un documento antiguo y una pregunta que el material no pueda contestar. Compara con una referencia, no con lo convincente que suene la respuesta. Cuando una búsqueda falle, separa si recuperó mal el contenido o si el modelo redactó mal a partir de un fragmento útil. Conserva la pregunta y el documento esperado para poder comparar versiones del buscador con el mismo criterio. No cambies las preguntas solo para que la demostración salga mejor.
Comprueba vigencia y permisos
Encontrar un fragmento próximo no demuestra que esté actualizado ni que el empleado tenga derecho a verlo. Configura filtros y accesos para aplicar esas reglas; no salen de la semejanza numérica. Prueba la consulta con usuarios que tengan permisos distintos y contrasta el documento de origen. En la distribuidora, no aceptes una tarifa antigua ni una afirmación sobre existencias solo porque aparezcan cerca del contenido solicitado. Comprueba también que ese empleado no pueda recuperar documentos de otro cliente mediante una pregunta formulada con palabras distintas.
Acuerda cómo se mantiene
Añadir documentos no asegura una recuperación mejor. Revisa organización y relevancia cuando empeoren los resultados, y acuerda quién mantiene el contenido y sus etiquetas. Si se cambia el modelo que genera los embeddings, pide revisar la compatibilidad y rehacer las representaciones cuando corresponda. No trates las de modelos distintos como intercambiables. La prueba debe repetirse sobre las consultas del negocio tras cambios que puedan alterar lo que el buscador encuentra.
Para seguir aprendiendo
Empieza por distinguir contenido y representación: la base de conocimiento reúne la información que consultas; los embeddings la representan mediante números. La fragmentación de documentos divide ese contenido en partes que el buscador puede recuperar. Revisa esos conceptos si necesitas preparar tus documentos antes de incorporarlos a una aplicación.
Sigue después el recorrido de una pregunta: la búsqueda semántica ayuda a encontrar contenido por significado. RAG combina la recuperación con un modelo que utiliza lo encontrado como contexto para redactar. Al revisar tu aplicación, identifica qué componente busca y cuál redacta para saber dónde comprobar cada resultado.
Dudas sobre bases vectoriales, respuestas cortas
¿Necesito contratar una base separada si ya utilizo PostgreSQL?
No necesariamente. pgvector añade búsqueda por similitud a PostgreSQL y permite guardar vectores junto a otros datos. Antes de contratar otro servicio, pregunta a quien mantiene tu aplicación si esa opción encaja. La decisión depende de la integración, los filtros y el mantenimiento que necesite tu buscador.
¿La base vectorial crea los embeddings y redacta la respuesta?
Son funciones distintas: un modelo produce los embeddings, la base los almacena y consulta, y un modelo generativo puede redactar con los fragmentos recuperados. Algunas plataformas reúnen varios servicios, pero eso no convierte almacenar, buscar y redactar en la misma tarea. Comprueba qué incluye tu aplicación.
¿El resultado más parecido es siempre correcto y puedo compartirlo?
La semejanza numérica no valida el contenido ni demuestra que esté vigente. Tampoco concede permiso para verlo o compartirlo. Contrasta el documento de origen y configura filtros y accesos según el usuario. En el ejemplo de la distribuidora, una persona debe revisar las condiciones aplicables antes de enviar la oferta.
¿Por qué puede empeorar la búsqueda al añadir documentos?
Más documentos no aseguran mejores resultados. Revisa la relevancia de los fragmentos recuperados, la organización del contenido y los filtros. Prueba consultas del negocio con una respuesta conocida y compáralas con la fuente vigente. Así puedes revisar qué encuentra el buscador, sin atribuir todos los fallos a una única causa.
Fuentes
Fuentes oficiales, consultadas el 4 de noviembre de 2026
- Microsoft Learn · Búsqueda vectorial e híbrida
- pgvector · Búsqueda por similitud dentro de PostgreSQL
- Qdrant · Filtros sobre datos asociados
- Pinecone · Índices, embeddings y búsqueda textual
- Microsoft Learn · RAG, contexto y acceso autorizado
Cómo lo comprobamos. Fuentes consultadas el 4 de noviembre de 2026. No hemos probado estas bases con documentos de una pyme: confirma la calidad de la recuperación con tus propias consultas antes de implantarla.
Qué ha cambiado.
- 4 de noviembre de 2026: Reescritura con el caso comercial de Valencia, flujos de preparación y consulta, distinción entre componentes y una prueba para revisar el buscador.
Términos relacionados
Aprende a usar la IA en tu trabajo, con criterio.
El nivel 0 es gratis: cuarenta minutos para entender qué pedirle a la IA y qué revisar. El programa completo enseña a implementarla en tu propio negocio, tarea a tarea.
