Una vector database responde a una sola pregunta: «¿qué vector guardado está más cerca de este?». Esa es la base de la búsqueda por significado — guardas los fragmentos de texto como embeddings, conviertes también la pregunta en vector y el sistema te devuelve los más cercanos. Todo lo demás que ofrece —filtros, metadatos, versionado— se construye alrededor de eso.
Sobre el tamaño conviene saber dos cifras. Diez mil vectores ocupan unos 75 megabytes, o sea que caben en un móvil. Y según la propia fórmula de planificación de capacidad de un fabricante, el grafo que acelera la búsqueda es el 5 % de la memoria total: 0,29 GB de índice junto a 5,72 GB de vectores. La memoria se la comen los vectores, no el índice.
El error más frecuente sale justo de ahí: creer que la búsqueda vectorial exige una base de datos aparte. En la mayoría de los proyectos que arrancan no hace falta — las bases de datos relacionales de siempre ya saben guardar y buscar vectores, y el coste real no suele ser la tecnología, sino la cuota mínima mensual de un servicio aparte.
Cuándo hace falta de verdad un sistema aparte lo cuenta Bases de datos vectoriales sin jerga, un artículo aparte. Los conceptos directamente relacionados: embedding, retrieval y hybrid search.