Bases de datos vectoriales

Qué tener en cuenta

Las preguntas que distinguen las opciones, por orden de importancia.

1. 01

   Calidad de la búsqueda con filtros

   Las consultas reales casi siempre se filtran por permisos, ID de inquilino, fecha o tipo de documento, y los resultados deben seguir siendo relevantes una vez aplicado el filtro. Los motores que filtran después de la búsqueda vectorial pueden devolver tres resultados cuando pediste diez, o perderse sin avisar la mejor coincidencia. Qdrant añade aristas al grafo para los campos de payload indexados, de modo que el recorrido filtrado sigue conectado; pgvector necesita escaneos iterativos (0.8.0 y posteriores) o índices parciales. Prueba con tu filtro real más selectivo, no con una demo sin filtros.

2. 02

   Búsqueda híbrida: vectores más palabras clave

   Los vectores fallan con nombres, identificadores y términos exactos como códigos de producto y mensajes de error; la búsqueda por palabras clave (BM25) los encuentra. La búsqueda híbrida ejecuta ambas y combina las puntuaciones. Weaviate, Qdrant, Milvus, LanceDB y turbopuffer lo hacen en un solo motor; Pinecone ofrece índices sparse-dense o un filtro de texto completo; con pgvector combinas tú mismo la búsqueda de texto completo de Postgres en SQL. Comprueba si puedes ajustar la ponderación o usar reciprocal rank fusion.

3. 03

   Recall frente a latencia

   La búsqueda aproximada cambia precisión por velocidad: el recall es la proporción de los vecinos más cercanos reales que recupera, y lo quieres al tiempo de respuesta que necesitas, no a cualquier velocidad. HNSW, un grafo por capas, da un recall alto pero quiere el índice en RAM; IVF agrupa los vectores en clústeres y busca en los más cercanos; los índices en disco (DiskANN de Milvus, HFresh de Weaviate, SPFresh o SPANN de turbopuffer y Chroma Cloud) guardan la mayoría de los datos en SSD o almacenamiento de objetos. La cuantización reduce los vectores de 4 a 32 veces, normalmente con un paso de repuntuación para recuperar precisión. Sobre los benchmarks: ANN-Benchmarks, a cargo de los académicos Martin Aumueller, Erik Bernhardsson y Alec Faitfull, representa el recall frente a las consultas por segundo para consultas individuales sobre pequeños conjuntos de datos públicos; compara algoritmos de índice, no bases de datos, e ignora los filtros, las escrituras y la operación. VectorDBBench lo mantiene Zilliz, la empresa detrás de Milvus, y añade latencia p99, casos con filtros y en streaming y coste por consulta. Compara QPS y p99 con el mismo recall, y trata cualquier benchmark de un proveedor sobre su propio producto como una afirmación que hay que reproducir.

4. 04

   Capacidad para tu carga de trabajo

   Dimensiona el trabajo antes de elegir: número de vectores previsto, dimensiones, consultas simultáneas y con qué frecuencia cambian los datos. Vectores por dimensiones por bytes da la memoria en bruto que necesita un índice en memoria. Encore, que vende alojamiento de Postgres, sitúa a pgvector a la par de Pinecone por debajo de unos cinco millones de vectores y necesitado de un ajuste cuidadoso por encima; Chroma encaja desde prototipos hasta decenas de millones; las preguntas frecuentes de LanceDB dicen que la biblioteca de código abierto maneja millones de vectores en un solo nodo; Milvus y turbopuffer están hechos para miles de millones.

5. 05

   Actualizaciones y borrado

   Comprueba lo rápido que las inserciones, las ediciones y los borrados pasan a ser buscables. Algunos índices absorben los datos nuevos al instante, otros acumulan las escrituras en un búfer o necesitan reconstruirse; las escrituras de turbopuffer van al almacenamiento de objetos con un p90 de 248 ms para un upsert de 512 KB. El borrado importa para el cumplimiento normativo: cuando un usuario retira un documento, debe dejar de aparecer en los resultados enseguida, y los índices por inquilino hacen sencillo borrar a un cliente entero.

6. 06

   Seguridad y aislamiento

   Busca control de acceso, cifrado en reposo y en tránsito, y un aislamiento entre inquilinos que aguante. Si los permisos se aplican con un filtro de metadatos, ese filtro debe ser fiable en cada consulta, otra razón para probar el recall con filtros. turbopuffer ofrece espacios de nombres ilimitados y claves gestionadas por el cliente en el plan empresarial; Qdrant puede marcar un campo como clave de inquilino; Weaviate tiene multiinquilino nativo, aunque su función de espacios de nombres requiere ahora una licencia de pago; en pgvector particionas por inquilino o usas seguridad a nivel de fila.

7. 07

   Operación

   Las copias de seguridad, la recuperación, la monitorización y el escalado suelen costar más que la licencia. pgvector no añade nada nuevo que mantener si ya tienes Postgres. Qdrant se distribuye como un único binario; Milvus a gran escala necesita Kubernetes y un equipo de plataforma. Chroma y LanceDB funcionan dentro de tu proceso. Pinecone y turbopuffer son solo gestionados, con la opción de usar tu propia nube para compradores empresariales. La licencia decide tu salida: Apache 2.0 (Qdrant, Milvus, Chroma, LanceDB) y la licencia de PostgreSQL (pgvector) te dejan alojarlos libremente, Weaviate es open core desde septiembre de 2026, y los servicios propietarios obligan a exportar y reindexar para marcharte.

8. 08

   Coste total

   Cuenta los índices, el almacenamiento de metadatos, las consultas y las actualizaciones, y si necesitas siquiera una base de datos aparte. Los servicios gestionados facturan en unidades distintas: Pinecone por unidades de lectura, unidades de escritura y GB almacenados; Weaviate Cloud por dimensiones de vectores almacenadas; turbopuffer por uso por encima de un mínimo mensual; Chroma Cloud por datos escritos, almacenados y consultados. Un chatbot con muchas lecturas y un pipeline de indexación con muchas escrituras pueden ordenar a los mismos proveedores al revés, así que calcula tus propios volúmenes en la calculadora de cada uno y frente a una instancia que gestionarías tú.

Qué enfoque para qué datos

Cada tipo de contenido necesita modelos distintos. Muchos sistemas usan más de uno y enrutan según el tipo de datos.

8 herramientas comparadas

Ordenadas por nuestra nota. Abre cualquier reseña para ver las fuentes, los precios y el veredicto completo.

Comparativa de herramientas de Bases de datos vectoriales

Herramienta	Nota	Nuestro veredicto	Ideal para	Precio
Qdrantrepo	4.7/5	Una búsqueda vectorial filtrada bien hecha convierte a Qdrant en la base de datos de código abierto a batir para RAG en producción, siempre que alguien cierre un servidor que viene abierto.	Equipos con RAG o búsqueda en producción que necesitan consultas vectoriales filtradas rápidas.	Gratuito y de código abierto con licencia Apache 2.0. Qdrant Cloud tiene un clúster gratuito de 1 GB y después factura por uso; Premium, Hybrid y Private Cloud los tarifica el equipo comercial.
pgvectorrepo	4.6/5	Para la mayoría de equipos que ya usan Postgres, una base de datos vectorial dedicada es infraestructura extra que pgvector hace innecesaria.	Equipos que ya usan Postgres y construyen RAG o búsqueda semántica sobre unos pocos millones de vectores.	Gratis y de código abierto bajo la PostgreSQL License. El único coste es la instancia de Postgres que ya tienes, o una más grande.
Milvusrepo	4.4/5	Construida para miles de millones de vectores y pagada en esfuerzo operativo; por debajo de unos cientos de millones, es más base de datos de la que necesitan la mayoría de los equipos.	Equipos de plataforma que operan búsqueda vectorial con cientos de millones o miles de millones de vectores.	Gratuito y de código abierto bajo Apache 2.0. Zilliz Cloud es el servicio gestionado: nivel gratuito (5 GB, cinco colecciones), Dedicated desde 63 $, 16 $ o 5 $ por millón de vectores de 768 dimensiones al mes (rendimiento, capacidad o almacenamiento por niveles), Enterprise desde 197 $ al mes, Business Critical bajo presupuesto.
Pineconeherramienta	4.2/5	Pinecone elimina casi todo el trabajo de operaciones de la búsqueda vectorial y lo cobra en cada lectura, lo que encaja mucho mejor con un equipo pequeño que con un índice de producción con mucho tráfico.	Equipos sin personal de operaciones de bases de datos que quieren búsqueda vectorial gestionada y aceptan tarifas basadas en el uso.	Starter gratuito (2 GB, 1M de unidades de lectura/mes, solo AWS us-east-1). Builder $20/mes fijo con cuotas estrictas. Standard mínimo de $50/mes, y luego $0.33/GB/mes de almacenamiento, $16–$18 por 1M de unidades de lectura, $4–$4.50 por 1M de unidades de escritura. Enterprise mínimo de $500/mes.
Weaviaterepo	4.2/5	La búsqueda híbrida por palabras clave y vectores sigue siendo el mejor argumento de Weaviate, pero sus funciones operativas más recientes están ahora tras una clave de licencia.	Equipos que construyen búsqueda o RAG donde importan tanto las palabras clave exactas como la similitud semántica.	El núcleo es BSD-3-Clause; algunas funciones empresariales necesitan una clave de licencia de pago. Weaviate Cloud: Free (100.000 objetos), Flex de pago por uso con un mínimo de 45 $/mes, Premium desde 400 $/mes con contrato prepago.
turbopufferherramienta	4.2/5	turbopuffer es la base de datos vectorial a batir si tu producto tiene millones de índices separados y mayormente inactivos, siempre que puedas asumir que la primera búsqueda en uno frío tarde alrededor de un segundo.	Equipos que crean productos de IA multitenant con muchos índices separados o miles de millones de vectores y no quieren gestionar servidores.	Launch con uso mínimo de $16/mes; Scale con mínimo de $256/mes (SSO, HIPAA BAA); Enterprise desde $4.096/mes con un recargo del 35% sobre el uso (BYOC, single-tenant, SLA del 99,95%). Almacenamiento hasta $0.33/GB, escrituras hasta $2/GB, consultas hasta $1/PB consultado. Sin nivel gratuito.
Chromarepo	4.1/5	Rápida de integrar y barata de alojar para RAG con muchas lecturas, aunque no se ha etiquetado nada desde mayo de 2026.	Desarrolladores que prototipan RAG o ejecutan búsqueda vectorial de tamaño pequeño o medio.	Gratuito y de código abierto bajo Apache 2.0. Chroma Cloud: Starter 0 $ más uso con 5 $ de créditos; Team 250 $/mes más uso; Enterprise a medida. Escrituras a 2,50 $/GiB, almacenamiento a 0,33 $/GiB al mes.
LanceDBrepo	4.0/5	Cuando tus embeddings conviven con imágenes, vídeo o datos de entrenamiento, LanceDB elimina por completo la base de datos aparte, aunque la librería gratuita no está hecha para búsquedas intensas con muchos usuarios a la vez.	Equipos que trabajan con datos multimodales o de entrenamiento y quieren búsqueda vectorial sin mantener un servidor.	Gratuito y de código abierto bajo Apache 2.0. LanceDB Enterprise se vende con compromisos anuales; AWS Marketplace muestra un compromiso de 60.000 $ por 12 meses, con ofertas privadas bajo presupuesto.

Lado a lado

Las especificaciones que importan en este paso. Comprobado el 23 oct 2026; confírmalo en la web del proveedor antes de decidirte.

Conéctalo a tu agente

Servidores MCP que permiten a asistentes como Claude, ChatGPT y Cursor usar estas herramientas directamente.

• Qdrant MCP Server 3.7
• Supabase MCP Server 4.6
• Neon MCP Server 4.4

Dónde encaja esta etapa

• Chatea con tus documentos: empezaríamos con Qdrant.
• Agente de atención al cliente: empezaríamos con pgvector.
• Agente de programación: empezaríamos con LanceDB.
• Investigación y grafo de conocimiento: empezaríamos con Weaviate.
• Asistente con memoria a largo plazo: empezaríamos con Qdrant.
• Pipeline de generación de imágenes: empezaríamos con Qdrant.
• Producción de vídeo: empezaríamos con LanceDB.
• Agente de voz: empezaríamos con pgvector.
• IA privada y local: empezaríamos con LanceDB, Chroma.

Fuentes de esta guía

• ANN-Benchmarks
• VectorDBBench (Zilliz) on GitHub
• VectorDBBench leaderboard
• Qdrant docs: indexing
• Qdrant docs: quantization
• Weaviate docs: vector indexes
• Milvus docs: index types
• Milvus docs: DiskANN
• Chroma docs: collection configuration
• Chroma docs: architecture
• LanceDB docs: indexing
• Pinecone docs: hybrid search
• pgvector README
• turbopuffer: ANN v3
• LanceDB OSS FAQ
• pgvector vs Pinecone (Encore)