Artículos para quien
entrega el stack
Textos sobre React, Node.js, TypeScript y AI. El cuerpo traducido se muestra cuando existe. Si no, ve el texto en inglés y una nota que lo dice.
Etiqueta: HNSW
Cinco formas de indexar vectores para RAG, probadas con un millón de embeddings de Wikipedia
Cinco formas de indexar vectores para RAG probadas con un millón de embeddings de Wikipedia: plano, IVFFlat, HNSW, híbrido BM25 y DiskANN, junto con los valores de latencia y precisión.
9 min de lecturaBúsqueda vectorial en Azure AI Search: HNSW, perfiles y un recuperador RAG en Python
Crear un índice vectorial en Azure AI Search con Python: HNSW frente a KNN exhaustivo, perfiles, embeddings, consultas vectoriales y un prompt RAG, además de consejos para búsquedas híbridas.
9 min de lecturaDentro de las bases de datos vectoriales: IVF, árboles, HNSW y cuantización de productos
Dentro de las bases de datos vectoriales: búsqueda exacta vs. aproximada, clústeres IVF, bosques de árboles, capas HNSW y sus parámetros, y cuánto le cuesta la cuantización de productos.
7 min de lecturaPor qué una consulta de Weaviate va lenta: perfilado por etapas
El perfilado de consultas de Weaviate devuelve con cada respuesta un desglose de tiempos por etapa, de modo que filtros lentos, lecturas de disco, búsqueda en el grafo o rescoring se distinguen rápido.
5 min de lecturaPrescindimos de nuestra base de datos vectorial: pgvector sirve 40 millones de embeddings sin problemas
Una historia de migración: sustituir un vector store de pago por pgvector en 40 millones de filas, con el método de backfill, el error de recall que se escondía tras los dashboards y cuándo no conviene cambiar.
5 min de lecturaMás allá del RAG ingenuo: el coste de memoria de HNSW, la búsqueda híbrida y el contexto largo
Por qué los índices vectoriales en memoria chocan con un muro a gran escala, dónde falla la recuperación por coincidencia exacta y cómo encajan los híbridos con BM25, RRF y PostgreSQL en un mundo de contexto largo.
5 min de lecturaCómo funciona una base de datos vectorial: embeddings, búsqueda vectorial y memoria humana
Un modelo mental basado en la memoria para la búsqueda vectorial: cómo funcionan los embeddings, la similitud, los índices de vecino más cercano y los filtros de metadatos dentro de una base de datos vectorial para RAG.
9 min de lecturaAjuste de índices HNSW y escalamiento de la búsqueda vectorial para RAG en producción
Aprenda cómo los parámetros M y ef de HNSW equilibran la recuperación, la latencia y la memoria, cómo configurarlos en Chroma, y cuándo escalar una base de datos vectorial verticalmente o mediante sharding.
4 min de lecturaCómo funcionan realmente las bases de datos vectoriales: desde los embeddings hasta la búsqueda híbrida
Explica cómo los embeddings codifican el significado, cómo escalan las búsquedas de similitud y el indexado, y cuándo las búsquedas híbridas y las bases de datos vectoriales son realmente adecuadas para los sistemas de IA empresarial.
8 min de lectura
Sobre estos artículos
Presupuesto en 24 h
¿Necesitas el mismo stack en una capa de operador? Envía el brief — presupuesto en 24 h.