Bases vectoriales

Una base vectorial guarda tus fragmentos de texto junto con su vector, la huella numérica de su significado. Al buscar, convierte la pregunta en otro vector y devuelve los fragmentos cuyos vectores se le parecen más. Es la pieza central de casi cualquier RAG.

En NappAI las encuentras en la categoría Vector Stores de la paleta. Todas se usan igual: un campo Operation decide si guardan, buscan o hacen de buscador para otro componente.

La conclusión primero: la calidad es la misma

Medimos FAISS, Chroma, Qdrant y PGVector con los mismos 80 fragmentos, el mismo modelo de vectores y las mismas 40 preguntas. Las cuatro devolvieron exactamente los mismos cinco primeros resultados en las 40 preguntas. Con la misma información y el mismo modelo de vectores, la base no cambia lo que encuentras: elige por cómo trabajas, no por calidad.

Base	Encuentra la respuesta en el primer resultado	Entre los cinco primeros	Guardar 80 fragmentos (con sus vectores)	Tiempo por búsqueda en un flujo
FAISS	60 %	83 %	10,0 s	16 ms
Chroma DB	60 %	83 %	12,7 s	16 ms
Qdrant	60 %	83 %	12,3 s	36 ms
PGVector	60 %	83 %	12,8 s	35 ms
Neo4j (con Neo4j GraphRAG, modo Vector)	60 %	83 %	–	44 ms

Medido el 17 de octubre de 2026 en un portátil, con una base de conocimiento de prueba de 9 documentos y 40 preguntas. Muestra cómo se comportan, no es una promesa para tus datos. En Neo4j la búsqueda por vectores es aproximada: si se le piden solo 5 resultados, a veces no devuelve los 5 más parecidos. Por eso Neo4j GraphRAG pide siempre al menos 50 candidatos y se queda con los que le pides; así medidos, sus cinco primeros resultados coinciden con los de FAISS en todas las preguntas. Más detalles en Cómo lo hemos medido.

Qué ofrece cada una

	FAISS	Chroma DB	Qdrant	PGVector	Neo4j (Neo4j GraphRAG)
Necesita un servidor	No	No (o tu servidor Chroma, si lo tienes)	Sí	Sí: PostgreSQL con la extensión de vectores	Sí
Dónde se guarda	Archivos en tu almacenamiento de NappAI	Una carpeta en tu almacenamiento de NappAI, o tu servidor	Tu servidor Qdrant	Tu base de datos	Tu base de datos Neo4j
Filtros por datos del fragmento	Sí (Filter by Metadata); un agente puede rellenarlos	Sí, sin Contains ni listas	Sí; un agente puede rellenarlos	Sí; un agente puede rellenarlos	Sí: Filter by Metadata en el componente Neo4j, o escritos en Retrieval Query
Umbral de puntuación	Sí	Sí	Sí	No	No
Resultados variados (MMR)	No	No	Sí	No	No
Búsqueda por palabras y significado	Con BM25 Retriever + Ensemble Retriever	Igual que FAISS	Igual que FAISS	No	Sí, integrada (modos Hybrid)
Recorrer relaciones (grafo)	No	No	No	No	Sí
Filtros escritos por un modelo (SelfQueryRetriever)	No	Sí	Sí	Sí	No: usa el modo Text2Cypher

Cuál elegir

Tu situación	Elige	Por qué
Quieres probar un RAG hoy, sin instalar nada	FAISS	No necesita servidor: el índice se guarda en tu almacenamiento de NappAI y otro flujo de tu cuenta lo lee con el mismo Index Name y Persist Directory.
Una base de preguntas frecuentes o unos manuales de tamaño medio, y quieres filtrar por categoría	Chroma DB	Tampoco necesita servidor, admite filtros y funciona con SelfQueryRetriever.
Muchos documentos, varios flujos o agentes que consultan la misma colección	Qdrant	Es un servidor pensado para crecer y es la única de las cuatro que reúne filtros, umbral, MMR y SelfQueryRetriever.
Tu empresa ya trabaja con PostgreSQL	PGVector	Los vectores viven en una tabla de tu base de siempre, con sus copias de seguridad y sus permisos. No tiene filtros en el componente.
Tus datos son clientes, máquinas, pedidos o personas unidos entre sí	Neo4j con Neo4j GraphRAG	Además de buscar por significado, recorre las relaciones y responde preguntas de recuento. Consulta GraphRAG con Neo4j.

Para guardar fragmentos de texto en Neo4j existe también el componente Neo4j de Vector Stores, con las mismas operaciones que las demás bases.

Otras bases vectoriales de la paleta

Si tu empresa ya usa uno de estos servicios, puedes guardar y buscar en él con el mismo esquema de operaciones:

• Astra DB: base vectorial en la nube de DataStax.
• Cassandra: sobre tu base Apache Cassandra.
• Couchbase: sobre tu base Couchbase.
• Elasticsearch: si ya tienes tus datos en Elasticsearch.
• Milvus: base vectorial de código abierto para grandes volúmenes.
• MongoDB Vector Store: sobre MongoDB Atlas.
• Pinecone: servicio de búsqueda vectorial gestionado en la nube.
• Redis: sobre tu servidor Redis.
• Supabase Vector Store: sobre tu proyecto de Supabase.
• Upstash: base vectorial en la nube que se paga por uso.
• Vectara y Vectara RAG: búsqueda y, en el segundo, respuesta completa dentro de Vectara.
• Weaviate Cloud (v4): sobre Weaviate Cloud, con varios filtros.

Las tres operaciones

Todas las bases tienen el campo Operation, y cada valor muestra sus propios campos y salidas:

Operation	Qué hace	Qué conectas	Salida que usas
Add	Guarda los fragmentos que llegan a Ingest Data, con su vector.	Un divisor de texto o Metadata Tagger a Ingest Data, y un modelo de vectores a Embedding.	Vector Store, para componentes que leen la base entera, como BM25 Retriever.
Search	Busca lo que escribes o conectas en Search Query y devuelve los fragmentos.	La pregunta a Search Query.	Results: los fragmentos, para un prompt, otro componente o un agente que use la base como herramienta.
Retriever	No busca por sí misma: entrega un buscador que otro componente usa con su propia pregunta.	Nada más que el modelo de vectores.	Retriever: para Local Rerank, Ensemble Retriever, Multi Query Retriever, el RAG Agent o RetrieverTool.

Así se conectan las piezas habituales:

• Agente que busca en tus documentos, con reordenación. Base en Retriever → Retriever de Local Rerank → salida Tool de Local Rerank → Tools del Agent. El agente escribe la pregunta y recibe los mejores fragmentos.
• Agente que busca sin reordenar. Base en Search → salida Tool → Tools del Agent.
• Agente especializado en RAG. Base en Retriever → Retrievers del RAG Agent. Puedes conectar varias bases.
• Resultados directos para un prompt. Base en Search con la pregunta en Search Query → Results → tu prompt o tu componente.

Number of Results decide cuántos fragmentos devuelve la base. Si después reordenas, pide más de los que quieres conservar, por ejemplo 12 o 20, y deja que Local Rerank se quede con 4 o 5.

El mismo modelo de vectores para guardar y para buscar

Conecta a Embedding el mismo componente y el mismo modelo en el flujo que guarda y en el que busca. Si guardas con un modelo y buscas con otro, los vectores no se pueden comparar y los resultados no tienen sentido. Si cambias de modelo, vuelve a guardar todos los documentos.

Siguiente paso

Antes de guardar nada, decide cómo trocear y preparar tus documentos: Vectorización y etiquetado.