Vector Databases
Nitin Borwankar
- Editorial
- O'Reilly
- Año
- 2026
- Páginas
- ~423
- Nivel
- Intermedio
De qué trata
Guía práctica y aplicada que expone cómo diseñar, implementar y aprovechar bases de datos vectoriales para potenciar aplicaciones modernas de inteligencia artificial generativa y modelos de lenguaje grande (LLMs). El recorrido trabaja con el ecosistema de Python e integra motores de datos relacionales tradicionales con extensiones vectoriales modernas (PostgreSQL con pgvector, SQLite con SQLite-VSS), librerías de indexación y entornos de inferencia local. Está dirigida a desarrolladores backend de Python, ingenieros de datos y profesionales de machine learning de nivel intermedio que conocen bases de datos relacionales y buscan incorporar capacidades de búsqueda semántica a sus proyectos.
El libro explica desde las matemáticas esenciales de los espacios vectoriales y las métricas de similitud (distancia coseno, distancia euclidiana y producto punto) hasta la generación de representaciones densas mediante modelos de embeddings. Enseña a convertir bases de datos open source de toda la vida en almacenes vectoriales operativos utilizando pgvector en PostgreSQL y SQLite-VSS en SQLite3, además de emplear FAISS para indexación de alta velocidad en memoria. También cubre a fondo la arquitectura de sistemas RAG (Retrieval-Augmented Generation), el uso de Ollama para consultar modelos localmente y la formulación de consultas mediante lenguajes y sintaxis de búsqueda vectorial.
El contenido avanza mediante la construcción progresiva de aplicaciones reales: un buscador semántico de literatura científica sobre publicaciones de ArXiv, una canalización RAG local con SQLite y Ollama, y un sistema integral de búsqueda contextual y preguntas sobre historiales de conversación. Su gran mérito reside en demostrar que no siempre es necesario adoptar bases vectoriales dedicadas y costosas cuando se pueden extender infraestructuras consolidadas como PostgreSQL o SQLite. Deja fuera la administración de clústeres vectoriales propietarios a gran escala, pero constituye una referencia sumamente efectiva para desarrolladores que desean soluciones tangibles y reproducibles.
- Bases de datos vectoriales
- Embeddings
- PostgreSQL
- pgvector
- SQLite-VSS
- FAISS
- Ollama
- RAG (Retrieval-Augmented Generation)
- Búsqueda semántica
- Python
- LLMs
¿Cómo enseña?
Con proyectos
- ✗ Sin ejercicios
- ✓ Incluye proyectos
Proyectos
Buscador semántico de publicaciones de ArXiv
Sistema de búsqueda y recuperación semántica de artículos científicos desarrollado sobre PostgreSQL utilizando la extensión pgvector para almacenar y consultar embeddings.
Canalización RAG local con SQLite-VSS y Ollama
Aplicación de generación aumentada por recuperación totalmente local que combina la persistencia vectorial en SQLite mediante SQLite-VSS y el razonamiento con LLMs a través de Ollama.
Sistema de búsqueda y recuperación sobre historiales conversacionales
Plataforma integral para indexar y consultar transcripciones de diálogo que permite contextualizar interacciones pasadas y alimentar respuestas precisas en un asistente.
