Bases de Datos Vectoriales en 2026: pgvector vs Qdrant

1. El Problema: Los Vectores No Entran en un B-Tree

Los embeddings convierten texto en arreglos largos de floats — cientos o miles de dimensiones. Un índice B-tree clásico no puede responder “dame los 10 vecinos más cercanos” de forma eficiente, por eso los motores vectoriales usan búsqueda aproximada: resignan un poco de recall a cambio de consultas en tiempo casi logarítmico. Si comparás por fuerza bruta más allá de unos miles de documentos, la latencia colapsa.

El objetivo de esta guía es práctico: entender el único algoritmo que importa, saber exactamente cuándo Postgres con pgvector deja de alcanzar y salir con código ejecutable de Docker, SQL y Python para ambos caminos.

2. Conceptos Mínimos: HNSW, Distancia y Recall

Casi todos los motores vectoriales serios usan el mismo algoritmo, así que lo aprendés una vez y la mayoría de las docs de vendors empiezan a tener sentido. Estas son las únicas tres ideas que necesitás antes de tocar código.

3. pgvector vs Qdrant: La Regla de Decisión

Ambos son open source y ambos indexan con HNSW. La diferencia es operativa: pgvector agrega vectores al Postgres que ya corrés, Qdrant es un segundo servicio escrito en Rust y construido a propósito para workloads vectoriales a escala.

4. Tutorial: Corriendo Ambos en 15 Minutos

Teoría lista — corramos ambos motores. Cada comando está verificado contra las docs oficiales linkeadas en Fuentes, así que copiá con confianza.

Paso 1 — Levantá Qdrant con Docker

Pulleá la imagen oficial y correla. Con la configuración default todos los datos caen en ./qdrant_storage, y el dashboard aparece en localhost:6333/dashboard.

docker pull qdrant/qdrant

docker run -p 6333:6333 -p 6334:6334 \
    -v "$(pwd)/qdrant_storage:/qdrant/storage:z" \
    qdrant/qdrant

Paso 2 — Activá pgvector en Postgres

Una sentencia agrega el tipo vector. Después creá un índice HNSW por cada función de distancia que consultes — coseno abajo — y calibrá el recall en consulta con hnsw.ef_search.

CREATE EXTENSION vector;

CREATE TABLE documents (
    id BIGSERIAL PRIMARY KEY,
    content TEXT,
    embedding vector(1536)
);

CREATE INDEX ON documents
    USING hnsw (embedding vector_cosine_ops);

-- más alto = mejor recall, un poco más lento
SET hnsw.ef_search = 100;

SELECT content
FROM documents
ORDER BY embedding <=> $1
LIMIT 5;

Paso 3 — Hablale a Qdrant desde Python

Instalá el cliente oficial, apuntalo a tu contenedor local e insertá y consultá documentos. Los helpers add/query embedden el texto por vos vía FastEmbed; la llamada de search muestra una query filtrada por metadata.

pip install 'qdrant-client[fastembed]'

from qdrant_client import QdrantClient

client = QdrantClient(url="http://localhost:6333")

client.add(
    collection_name="demo_collection",
    documents=["Qdrant has Langchain integrations",
                 "Qdrant also has Llama Index integrations"],
)

results = client.query(
    collection_name="demo_collection",
    query_text="vector search integrations",
    limit=3,
)
print(results)

from qdrant_client.http.models import Filter, FieldCondition, MatchValue

results = client.query_points(
    collection_name="demo_collection",
    query=[0.2, 0.1, 0.9, 0.7],
    query_filter=Filter(
        must=[FieldCondition(
            key="city",
            match=MatchValue(value="London")
        )]
    ),
    with_payload=True,
    limit=5,
).points

5. Errores Comunes en Producción

La demo siempre funciona. Estos son los detalles poco glamorosos que muerden cuando llegan el tráfico y los datos reales — presupuéstalos ahora.

Fuentes

• pgvector en GitHub — README: CREATE EXTENSION vector, indexado HNSW
• Docs de Qdrant — quickstart local con Docker y cliente Python
• Cliente python de Qdrant — notebook quickstart (add, query, búsqueda filtrada)
• Release pgvector 0.8.0 — iterative index scans para búsqueda filtrada
• Docs de Supabase — índices HNSW en pgvector

Conclusión

Para la mayoría de apps RAG en 2026, pgvector dentro del Postgres que ya corrés es el default honesto: un solo sistema, transacciones, filtrado SQL y velocidad HNSW que te cubre hasta los millones de vectores. Qdrant es el especialista excelente al que recurrís cuando la escala, la búsqueda filtrada selectiva o la cuantización agresiva exigen de verdad un motor dedicado.

Corré el tutorial de arriba esta semana: levantá ambos, cargá una porción de tu corpus real y medí el p99 filtrado en tus propias queries. Ese solo experimento vale más que diez posts de benchmarks — y si querés ayuda diseñando esa evaluación, escribime.