¿Qué son embeddings y vector databases?

Embeddings son vectores de números (típicamente 384-3072 dimensiones) que representan el significado semántico de un texto, imagen o audio. Vector databases (Pinecone, pgvector, Qdrant, Weaviate) los almacenan e indexan con algoritmos como HNSW para búsqueda por similitud en milisegundos. NexoSmart usa embeddings para memoria de agentes y búsqueda contextual, pero NO como mecanismo principal de razonamiento (eso lo cubre method indexing).

¿Cómo se generan los embeddings?

Con un modelo de embeddings (BGE, E5, OpenAI ada-002, Voyage). Le pasás texto, devuelve un vector. Textos similares quedan cercanos en el espacio vectorial. La dimensión típica es 768 o 1536.

¿Qué hace una vector database?

Indexa vectores con algoritmos de approximate nearest neighbor (HNSW, IVF) que permiten búsquedas top-k en milisegundos sobre millones de vectores. Sin esos índices, la búsqueda sería O(n) y no escalaría.

• •HNSW: graph-based, default de Qdrant/Weaviate
• •IVF: partitioned, escalable a billions
• •pgvector: extensión Postgres, HNSW + IVF
• •Pinecone: managed cloud, sin self-host

¿Cuándo usar embeddings en agentes?

Para memoria a largo plazo (recuperar conversaciones pasadas), búsqueda semántica en docs, deduplicación de tickets y clustering de patrones. NO para razonamiento ejecutable: ahí usamos method indexing.

¿Qué stack usa NexoSmart?

pgvector dentro del Postgres del cliente cuando hay menos de 10M vectores (simple, sin infra extra). Qdrant cuando el volumen escala. Modelo de embeddings: BGE-M3 multilingüe o E5 según idioma dominante.

Temas relacionados