{"canonical_url":"https://engineer.company/es/glossary/vector-search/","content_markdown":"# Búsqueda vectorial\n\n## Qué es\n\nLa búsqueda vectorial encuentra los elementos almacenados cuyos vectores están\nmás cerca del vector de búsqueda. También se llama búsqueda por similitud\nvectorial. Aquí, un vector es una lista de números de longitud fija que un\nmodelo de embeddings produce a partir de un texto, una imagen o un registro de\nproducto. El modelo se entrena para que los elementos de contenido similar\nproduzcan vectores cercanos; por eso una pregunta y el pasaje que la responde\npueden quedar próximos aunque no compartan palabras.\n\n«Más cerca» requiere una medida. pgvector, la extensión de PostgreSQL usada en\nlos ejemplos del artículo, admite seis: distancia L2 o euclídea, producto\nescalar, distancia del coseno y distancia L1, además de las distancias de\nHamming y Jaccard para vectores binarios. La documentación del propio modelo de\nembeddings indica para qué medida están pensados sus vectores. En vectores\nnormalizados a longitud 1, la distancia del coseno y el producto escalar ordenan\nigual los vecinos; pgvector recomienda el producto escalar en ese caso para\nobtener el mejor rendimiento.\n\nHay dos formas de responder. La búsqueda exacta compara el vector de búsqueda con cada vector almacenado y devuelve los vecinos más próximos reales; pgvector lo hace\nde forma predeterminada y su documentación lo describe como exhaustividad\nperfecta. La búsqueda aproximada puede usar un índice que visite solo parte de\nlos datos, sacrificando parte de la exhaustividad a cambio de velocidad.\nCuántos vecinos reales devuelve depende de los datos, del índice y de sus\najustes: ni siquiera se garantiza que devuelva la mayoría. Por eso pgvector\nadvierte que, a diferencia de un índice ordinario, uno aproximado cambia lo que\ndevuelve una consulta.\n\npgvector ofrece dos tipos de índice aproximado. HNSW construye un grafo de\nvarias capas, un método que Malkov y Yashunin publicaron por primera vez en\n2016: cada capa contiene un subconjunto de la inferior; la búsqueda empieza en\nla pequeña capa superior y desciende hasta la completa. Su artículo informa\nde un crecimiento logarítmico del coste de búsqueda. IVFFlat divide los vectores\nen listas y busca solo en las más cercanas a la consulta.\n\n## Por qué importa\n\nLa búsqueda de texto completo encuentra palabras. Usando solo coincidencia de\npalabras y reducción a raíces, quien escriba «la pantalla sigue negra» no\nencuentra la sección del manual titulada «el monitor no se enciende», porque no\ncomparten ninguna palabra que el algoritmo pueda reducir a una raíz común.\nLos sinónimos configurados pueden salvar algunas de esas diferencias. La\nbúsqueda vectorial compara el significado tal como lo capturó el modelo de\nembeddings; así, la queja y la sección pueden quedar próximas. La idea también\nsirve fuera del texto: una imagen parecida a esta, una incidencia de soporte\ncomo otra ya resuelta o un producto como el que hay en la cesta.\n\nTambién es una forma de hacer la recuperación de información en la generación\naumentada por recuperación, donde un modelo de lenguaje grande responde a\npartir de pasajes obtenidos para la pregunta. Esta se convierte en un embedding\ncon el mismo modelo que los pasajes y los más cercanos se incorporan al prompt.\nLa respuesta solo puede ser tan buena como lo que haya recuperado esa búsqueda,\npor lo que merece el mismo cuidado que el modelo.\n\nGuardar los vectores en la base de datos ya operativa tiene una ventaja\npráctica, argumento con el que pgvector abre su documentación. Los vectores\nreciben las mismas transacciones, recuperación a un momento dado y\ncombinaciones de tablas que cualquier otra columna; como pgvector escribe en\nel registro de escritura anticipada, la replicación también los transporta.\nFiltrar por cliente, fecha o permiso es una cláusula `WHERE` ordinaria sobre\nla misma fila. Una instantánea tomada después de confirmarse una eliminación\nya no ve ese documento, pero una consulta que use una instantánea anterior aún\npuede verlo. Un almacén vectorial separado es otro sistema que hay que llenar\ny mantener sincronizado con el primero.\n\nEl equipo también debe saber qué no hace la búsqueda vectorial. Ordena por\nproximidad, no por veracidad. El pasaje más cercano es el más parecido a la\npregunta; aun así puede estar desactualizado, ser erróneo o proceder de un\ndocumento que el lector no pueda consultar. Algunas preguntas dependen de una\npalabra exacta, como un nombre, una referencia de pieza o un código de error,\ny la documentación de pgvector propone combinar la búsqueda vectorial con la\nde texto completo de PostgreSQL. Esa combinación se llama búsqueda híbrida.\n\n## Cómo se aplica en la práctica\n\npgvector, en su versión 0.8.7 de octubre de 2026, admite PostgreSQL 13 y\nposteriores. Active la extensión una vez en cada base de datos y añada a la\ntabla una columna de tipo `vector` con el número de dimensiones que produzca\nel modelo:\n\n```sql\nCREATE EXTENSION vector;\n\nCREATE TABLE passages (\n    id        bigserial PRIMARY KEY,\n    source    text NOT NULL,\n    body      text NOT NULL,\n    embedding vector(3)\n);\n\nCREATE INDEX ON passages USING hnsw (embedding vector_cosine_ops);\n```\n\nLas tres dimensiones permiten leer el ejemplo con facilidad; un modelo real\nproduce muchas más y la columna declara cuántas produce. La aplicación calcula\ncada embedding con el modelo y lo inserta junto al texto del que procede.\nEl índice especifica una distancia: `vector_cosine_ops` sirve a consultas\nordenadas por distancia del coseno; una consulta ordenada por distancia L2\nnecesita un segundo índice construido con `vector_l2_ops`. HNSW no tiene fase\nde entrenamiento, por lo que el índice puede crearse sobre una tabla vacía.\n\nLa consulta convierte la pregunta en un embedding con el mismo modelo y pide\nlos pasajes más cercanos:\n\n```sql\nSELECT id, source, body\nFROM   passages\nORDER  BY embedding \u003c=\u003e $1\nLIMIT  5;\n```\n\n`\u003c=\u003e` es la distancia del coseno y `$1` es el vector de la consulta, enviado\ncomo parámetro. Dos detalles permiten que el planificador use el índice: la\nconsulta incluye tanto `ORDER BY` como `LIMIT` y su `ORDER BY` es el operador\nde distancia sin más, en orden ascendente. Una puntuación de similitud para\nmostrar, `1 - (embedding \u003c=\u003e $1)`, debe ir en la lista de selección. Los demás\noperadores son `\u003c-\u003e` para la distancia L2, `\u003c+\u003e` para L1 y `\u003c#\u003e` para el\nproducto escalar. El último devuelve el producto escalar negativo, porque\nPostgreSQL solo recorre un índice por un operador en orden ascendente.\n\nEl índice HNSW tiene dos parámetros de construcción: `m`, el número de vecinos\ncon los que enlaza cada nodo en cada capa, 16 salvo que se cambie, y\n`ef_construction`, el tamaño de la lista de candidatos durante la construcción,\n64 de forma predeterminada. Al consultar, `hnsw.ef_search` fija el tamaño de\nesa lista, 40 de forma predeterminada. Aumentarlo encuentra más vecinos reales\ny ralentiza cada consulta; `SET LOCAL` lo aumenta hasta que termina la\ntransacción actual. Para limitar el ajuste a una consulta, incluya solo esa\nconsulta en la transacción. Para medir el coste del índice en exhaustividad,\nejecute la misma consulta dentro de una transacción con\n`SET LOCAL enable_indexscan = off`, que da la respuesta exacta, y compare las\ndos listas.\n\nEl [trabajo de la empresa en agentes de IA personalizados](/es/ai-agents/)\nguarda la memoria de casos anteriores del agente en la base de datos del propio\ncliente, en lugar del historial de conversación de un proveedor. Una tabla\ncomo `passages` es una posible forma de esa memoria: cuando llega un caso\nnuevo, los anteriores más parecidos están a una consulta de distancia, en la\nmisma base de datos y con los mismos permisos que el resto de la información.\n\nLa búsqueda híbrida ejecuta ambas búsquedas y fusiona sus listas. La\ndocumentación de pgvector menciona Reciprocal Rank Fusion, de un artículo de\n2009 de Cormack, Clarke y Büttcher: cada documento recibe 1 / (k + rank) por\ncada lista en la que aparece y se suman las puntuaciones. Los autores fijaron k\nen 60 y sus pruebas preliminares mostraron que 60 era «casi óptimo, aunque la\nelección no era decisiva». Con una columna `tsvector` llamada `search_vec` en\nla misma tabla, construida como para la búsqueda de texto completo, la consulta\nfusionada es:\n\n```sql\nWITH semantic AS (\n    SELECT id, row_number() OVER (ORDER BY dist) AS r\n    FROM  (SELECT id, embedding \u003c=\u003e $1 AS dist\n           FROM   passages\n           ORDER  BY dist\n           LIMIT  20) AS nearest\n),\nkeyword AS (\n    SELECT id, row_number() OVER (ORDER BY score DESC) AS r\n    FROM  (SELECT id, ts_rank_cd(search_vec, query) AS score\n           FROM   passages, plainto_tsquery('english', $2) AS query\n           WHERE  search_vec @@ query\n           ORDER  BY score DESC\n           LIMIT  20) AS matches\n)\nSELECT id,\n       coalesce(1.0 / (60 + s.r), 0)\n     + coalesce(1.0 / (60 + k.r), 0) AS rrf\nFROM   semantic AS s\nFULL   JOIN keyword AS k USING (id)\nORDER  BY rrf DESC\nLIMIT  5;\n```\n\nCada búsqueda conserva sus primeros 20 resultados y los numera desde 1. Un\npasaje al que ambas sitúan arriba acumula dos aportaciones y asciende; uno\nencontrado por una sola conserva una aportación. La fusión usa posiciones en\nlugar de puntuaciones porque la distancia del coseno y la puntuación textual\nusan escalas incomparables. pgvector menciona un cross-encoder como la otra\nforma de combinar las listas.\n\n## Dónde surgen los problemas\n\n**Llegan menos filas de las que pidió `LIMIT`.** Con un índice aproximado, la\ncláusula `WHERE` se aplica después de recorrer el índice. pgvector aporta el\ncálculo: si una condición coincide con el 10 % de las filas, un índice HNSW con\nel valor predeterminado de `hnsw.ef_search`, 40, deja unas 4 filas de media.\nDesde la versión 0.8.0, los recorridos iterativos examinan más partes del índice\nhasta que pasan el filtro suficientes filas o se alcanzan sus límites.\nActívelos con `SET hnsw.iterative_scan = strict_order`, o con `relaxed_order`\npara mejorar la exhaustividad con resultados ligeramente desordenados.\nEn HNSW, `hnsw.max_scan_tuples`, con valor predeterminado de 20.000, es un\nlímite aproximado de tuplas adicionales visitadas y no afecta al recorrido\ninicial. Un límite de memoria independiente también puede detener el recorrido\nadicional. Si el filtro solo tiene unos pocos valores distintos, también sirve\nun índice parcial por valor.\n\n**Una consulta no usa el índice de vecinos más cercanos.**\n`ORDER BY 1 - (embedding \u003c=\u003e $1) DESC` ordena por una expresión; una consulta\nsin `LIMIT` no pide un resultado acotado de vecinos más cercanos. Ninguna\ncumple los requisitos de pgvector para usar ese índice. El número de filas\nleídas por el plan elegido también depende de los filtros y de otras decisiones\ndel planificador. Un índice construido con `vector_l2_ops` no sirve a una\nconsulta ordenada por `\u003c=\u003e`. Ordene por el operador sin más, en sentido\nascendente y con un `LIMIT`; construya un índice por cada distancia que\nconsulte y compruebe el plan con `EXPLAIN (ANALYZE, BUFFERS)`.\n\n**Se construye un índice IVFFlat demasiado pronto.** IVFFlat ejecuta k-means\nsobre las filas presentes al construir el índice y reparte los vectores en\nlistas a partir del resultado. Un índice creado con pocos datos para su número\nde listas devuelve menos filas de las pedidas, y pgvector aconseja eliminarlo\nhasta que la tabla tenga más datos. Cargue primero los datos y construya el\níndice después. pgvector propone empezar con rows / 1000 listas hasta un millón\nde filas y, por encima, con la raíz cuadrada del número de filas; para probes,\ncuyo valor predeterminado es 1, propone la raíz cuadrada del número de listas.\nHNSW no tiene esa fase de entrenamiento.\n\n**Hay filas que nunca se encuentran.** Los vectores NULL no se indexan; tampoco\nlos vectores cero con distancia del coseno, pues carecen de dirección que\ncomparar. Una fila cuyo embedding aún falta es invisible para una búsqueda con\níndice. Añada `NOT NULL` cuando la carga sea fiable y programe un recuento de\nlas filas que todavía no tengan embedding.\n\n**Una columna contiene vectores de dos modelos.** Dos modelos de embeddings,\no dos versiones de uno, colocan el mismo texto en puntos distintos; sus\nvectores no pueden compararse aunque coincida el número de dimensiones.\nConvierta la pregunta con el mismo modelo que convirtió los pasajes, guarde el\nmodelo en una columna y regenere todos los embeddings cuando cambie. Para una\ncolumna que guarda vectores de varios tamaños, pgvector muestra un índice\nsobre una expresión con una condición por modelo, `WHERE (model_id = 123)`.\n\n**El índice no admite tantas dimensiones.** El tipo `vector` guarda hasta\n16.000 dimensiones, pero HNSW e IVFFlat indexan como máximo 2.000. Indexe una\nconversión a `halfvec` para llegar a 4.000, use cuantización binaria para llegar\na 64.000 y vuelva a ordenar los candidatos con los vectores completos, o indexe\nun subvector cuando el modelo lo permita.\n\n**Los vectores de un cliente ralentizan las búsquedas de otro.** pgvector advierte que un\níndice aproximado compartido entre clientes permite que los vectores de uno\nafecten a la exhaustividad y la velocidad de los demás. Particione la tabla\npor cliente mediante particionado por listas, o dé a cada cliente su propia\ntabla.\n\n**La construcción del índice bloquea la aplicación.** HNSW se construye mucho\nmás deprisa si el grafo cabe en `maintenance_work_mem`; pgvector muestra un\naviso cuando deja de caber. Asignar tanta memoria que al servidor le falte para otras tareas provoca otra\ninterrupción del servicio. En un sistema en uso, construya con\n`CREATE INDEX CONCURRENTLY`, que no bloquea las escrituras.\n\n**Se recuperan pasajes que el lector no puede consultar.** Buscar en todos los\npasajes puede entregar a un modelo de lenguaje texto de un documento que el\nusuario no tiene derecho a leer, y el modelo puede citarlo. Ponga la condición\nde permisos en la misma cláusula `WHERE` de la búsqueda para que esa fila no\nsalga de la base de datos; active los recorridos iterativos para encontrar más\npasajes permitidos cuando el filtro descarte candidatos, dentro de los límites\nde recorrido.\n\n**Se interpreta una distancia como confianza.** Una distancia del coseno de\n0,2 indica que un pasaje está más cerca que uno a 0,4, no que responda a la\npregunta. Un umbral ajustado para un modelo no significa nada para el siguiente.\nOrdene por distancia, limite con `LIMIT` y evalúe la búsqueda mediante un\nconjunto de preguntas reales cuyos pasajes correctos se conozcan.\n\n## Lecturas adicionales\n\n- [pgvector](https://github.com/pgvector/pgvector) — la documentación de la propia\n  extensión: tipos, operadores de distancia, opciones HNSW e IVFFlat, filtros,\n  recorridos iterativos de índices, búsqueda híbrida y resolución de problemas.\n- [Efficient and robust approximate nearest neighbor search using Hierarchical Navigable Small World graphs](https://arxiv.org/abs/1603.09320)\n  — el artículo de Malkov y Yashunin que presentó HNSW.\n- [Reciprocal Rank Fusion outperforms Condorcet and individual Rank Learning Methods](https://cormack.uwaterloo.ca/cormacksigir09-rrf.pdf)\n  — el artículo de SIGIR 2009 con la fórmula de fusión y las pruebas preliminares\n  que sustentan su constante.\n- [Introduction to full text search](https://www.postgresql.org/docs/current/textsearch-intro.html)\n  — la búsqueda por palabras de PostgreSQL, la otra mitad de una consulta híbrida.\n- [Controlling Text Search](https://www.postgresql.org/docs/current/textsearch-controls.html)\n  — `plainto_tsquery` y `ts_rank_cd`, usados en la búsqueda por palabras anterior.\n- [Transaction Isolation](https://www.postgresql.org/docs/current/transaction-iso.html)\n  — cuándo las instantáneas de PostgreSQL ven los cambios confirmados, incluido\n  por qué una instantánea anterior aún puede ver un documento tras confirmarse\n  su eliminación.\n\n\u003chttps://engineer.company/es/glossary/vector-search/\u003e\n","date_modified":"2026-11-09T21:50:25Z","description":"Vectores y distancias, índices exactos y aproximados en pgvector, búsqueda híbrida con texto completo y los límites de cada enfoque.","formats":{"gemtext":"https://engineer.company/es/glossary/vector-search/index.gmi","gopher":"https://engineer.company/es/glossary/vector-search/gophermap","html":"https://engineer.company/es/glossary/vector-search/","json":"https://engineer.company/es/glossary/vector-search/index.json","markdown":"https://engineer.company/es/glossary/vector-search/index.md","pdf":"https://engineer.company/es/glossary/vector-search/index.pdf"},"kind":"page","language":"es","title":"¿Qué es la búsqueda vectorial?","url":"https://engineer.company/es/glossary/vector-search/","version":1}