PGVector

PGVector guarda documentos en una base de datos PostgreSQL con la extensión pgvector y busca en ella por significado.

Una base de datos vectorial guarda textos de forma que se pueden buscar por su significado, no solo por palabras exactas. Así, un agente puede encontrar el párrafo de un manual que responde a una pregunta aunque esté escrito con otras palabras.

Cuándo usarlo

• Ya tienes PostgreSQL y no quieres contratar otra base de datos para la búsqueda por significado.
• Quieres tener los documentos de tu base de conocimiento junto al resto de tus datos.

Configuración

El campo Operation decide qué hace el componente, y según lo que elijas cambian los campos y las salidas:

• Add (por defecto): guarda en la base los documentos que recibe en Ingest Data.
• Search: busca los documentos más parecidos al texto de Search Query.
• Retriever: ofrece la base como buscador para que la use otro componente, por ejemplo un agente o una cadena de preguntas y respuestas.

Necesitas una credencial Postgres SQL con la dirección de conexión de tu base PostgreSQL. Consulta Credenciales.

Campo	Qué hace
Credential (obligatorio)	La credencial Postgres SQL con los datos de conexión.
Operation	Qué hace el componente: Add, Search o Retriever.
Ingest Data (obligatorio)	Con Add. Los documentos que se guardan, normalmente los que salen de un divisor de textos o de un cargador de archivos.
Search Query	Con Search. El texto que se busca. Si lo dejas vacío no se devuelve nada.
Embedding	El conector donde enchufas el componente que convierte los textos en números para compararlos por significado, como OpenAI Embeddings. Usa siempre el mismo para guardar y para buscar.
Table (obligatorio)	El nombre de la colección donde se guardan los documentos.

Opciones avanzadas

Campo	Qué hace
Number of Results	Cuántos documentos devuelve cada búsqueda. Por defecto, 4.
Filter by Metadata	Busca solo entre los documentos cuyos datos cumplen unas condiciones, por ejemplo marca igual a Vellani. Funciona con Search, Retriever y en modo herramienta. Ver Filtrar por metadatos.

Filtrar por metadatos

Cada documento guarda, además de su texto, unos datos (sus metadatos): la marca, el tipo de documento, el mes… El filtro hace que la búsqueda mire solo los documentos cuyos datos cumplen unas condiciones. Se aplica igual a Results, a Retriever y cuando un agente usa el componente como herramienta.

Activa Filter by Metadata (en las opciones avanzadas) y elige Filter Mode:

• Manual: escribes las condiciones en el nodo. En Number of Conditions eliges cuántas filas quieres, y cada fila tiene:

  • Field: el dato que se mira, por ejemplo marca.
  • Operator: Equal (igual), NotEqual (distinto), GreaterThan, GreaterThanEqual, LessThan, LessThanEqual (mayor, mayor o igual, menor, menor o igual), In (uno de una lista separada por comas, como Q90, S80), NotIn (ninguno de la lista) y Contains (el texto o la lista contiene el valor).
  • Type: Text, Int (número entero), Number (con decimales) o Boolean (true o false).
  • Value: el valor con el que se compara. Si se deja vacío, esa fila no filtra.

  Combine Conditions decide si se tienen que cumplir todas (AND) o basta con una (OR).

• Dynamic: las condiciones llegan como JSON en Metadata Filter (JSON), desde otro componente o escritas por un agente:

  • {"marca": "Vellani"}: valor exacto.
  • {"modelo": ["Q90", "S80"]}: cualquiera de la lista.
  • {"año": {">=": 2024}, "estado": {"!=": "archivado"}}: con operadores =, !=, >, >=, <, <=, in, not in y contains.

  Si pones varios campos, se tienen que cumplir todos. Vacío, no filtra. Un JSON mal escrito da un error en lugar de buscar sin filtro.

Que lo rellene el agente. Con el componente en modo herramienta, activa el modo herramienta de Value (con Field y Operator fijos, por ejemplo modelo y Equal) o el de Metadata Filter (JSON). El agente escribe el valor cuando la pregunta lo pide («solo la máquina Q90») y lo deja vacío cuando no. Cuéntale en la descripción de la herramienta qué campos y valores hay.

Listas. Si un dato es una lista, como las etiquetas que escribe Metadata Tagger, Equal e In aciertan cuando alguno de sus elementos coincide, y Contains busca dentro de ellos.

En PGVector los números se comparan como números y los textos por orden alfabético, lo que vale para fechas como 2026-08. Contains no distingue mayúsculas.

Ejemplo: solo los manuales de una marca

1. Al guardar, cada fragmento lleva sus datos, por ejemplo tipo: manual y marca: Vellani (los pone el cargador de archivos o Metadata Tagger).
2. En el nodo con Operation en Search, activa Filter by Metadata, deja Filter Mode en Manual y rellena la fila: Field marca, Operator Equal, Type Text, Value Vellani.
3. Busca «qué significa el error E07»: solo salen fragmentos de documentos de Vellani.

El mismo filtro en modo Dynamic es {"marca": "Vellani"}. Los nodos guardados antes conservan sus filtros; los nombres nuevos de los campos aparecen al actualizar el nodo.

Resultado

Las salidas dependen de Operation:

• Results: con Add y Search. Con Search, la lista de documentos encontrados, que puedes pasar a un prompt o a un agente.
• Vector Store: con Add. La base de datos, para conectarla a componentes que trabajan con una base vectorial.
• Retriever: con Retriever. El buscador, para conectarlo a componentes que piden un buscador.

En modo herramienta, un agente puede usar el componente para buscar por sí mismo. Consulta Tool Mode.

Ejemplo

Un ayuntamiento quiere un asistente que responda con sus ordenanzas, guardadas en su PostgreSQL.

1. Conecta las ordenanzas divididas en trozos a Ingest Data de PGVector con Operation en Add y Table ordenanzas.
2. Conecta un componente de embeddings y ejecuta el flujo.
3. En el asistente, usa otro PGVector con Operation en Search en modo herramienta.

Buenas prácticas

• Para filtros fijos o que rellena el agente usa Filtrar por metadatos; si prefieres que un modelo escriba el filtro a partir de la pregunta, SelfQueryRetriever también funciona sobre esta base.

Componentes relacionados

• Recursive Character Text Splitter: corta los documentos en trozos antes de guardarlos.
• OpenAI Embeddings: convierte los textos para buscarlos por significado.
• FastEmbed Embeddings (Local): convierte los textos dentro de NappAI, sin clave ni coste por uso.

Ver también

• Bases vectoriales: en qué se diferencian FAISS, Chroma, Qdrant, PGVector y Neo4j, y cuál elegir.