DanLevy.net

ES

La ola de innovación en bases de datos de 2025

Puedes agradecerle a la IA.

Otro artículo más sobre bases de datos vectoriales

Esta es la regla de decisión que desearía haber usado antes:

Si tus datos pueden reconstruirse a partir de archivos y los usuarios principalmente los leen, prueba primero con una base de datos de almacenamiento de objetos. Si los usuarios escriben en ella todo el día, empieza con una base de datos real y deja de intentar que S3 haga de una.

Esa es la línea útil. No “serverless es el futuro”. No “las bases de datos vectoriales lo cambiaron todo”. Esas frases ya se han impreso en suficientes credenciales de conferencias.

La IA sí cambió la forma de muchos problemas de búsqueda. De repente, equipos pequeños querían búsqueda semántica, ranking híbrido, chat sobre documentos, consulta multimodal y análisis sobre archivos guardados en almacenamiento de objetos. La respuesta antigua era “ejecuta Postgres con pgvector” o “opera OpenSearch/Elasticsearch” o “compra un servicio de búsqueda gestionado”. Esas siguen siendo buenas respuestas cuando la carga de trabajo lo merece.

Pero muchas cargas de trabajo no lo merecen. Son pesadas en lectura, reconstruibles y toleran un breve retraso entre el cambio de contenido y la actualización de la búsqueda. Documentación. Instantáneas de catálogos. Exportaciones estáticas. Bases de conocimiento internas. Análisis local. Sistemas RAG prototipo. Para esos casos, una nueva clase de herramientas ha vuelto inusualmente poderosa la arquitectura aburrida: construye un índice, guárdalo como archivos, sírvelo por HTTP.

Nota de instantánea: el ecosistema se mueve rápido. Los conteos de estrellas, etiquetas de funciones y números de rendimiento de abajo son una instantánea de septiembre de 2025, no un marcador atemporal. Trátalos como orientación y luego revisa la documentación actual antes de apostar una migración de producción en una sola celda.

Una base de datos con cualquier otro nombre

Estas bases de datos serverless y capaces de CDN son útiles para casos de escala media, aproximadamente de 1.000 a 1.000.000 de registros o unos pocos GB, donde la infraestructura tradicional de bases de datos puede ser más ceremonia que valor:

El movimiento común es simple: mantén los datos duraderos en archivos o almacenamiento de objetos, luego consúltalos desde un navegador, función edge, worker o servicio ligero. Eso no elimina la complejidad. Mueve la complejidad a pipelines de construcción, actualización de índices, invalidación de caché y capacidades del cliente. Lo cual es un intercambio perfectamente válido cuando las lecturas dominan.

La batalla de las casillas de verificación

FeaturePagefindOramaChromaLanceDBDuckDB-WASM
Búsqueda de texto completo✅ Stemming avanzado✅ BM25, 30 idiomas✅ SQLite FTS✅ Tantivy✅ SQL completo
Búsqueda vectorial❌✅ Similitud coseno✅ HNSW✅ IVF_PQ, HNSW, GPU⚠️ Extensiones
Integraciones IA/RAGNinguna✅ Pipeline integrado✅ LangChain, LlamaIndex✅ Re-ranking avanzado⚠️ Configuración manual
AlmacenamientoJSON/WASM estáticoMemoria + plugins S3Basada en servidor*Lance compatible con S3WASM + S3/HTTP
Soporte de escrituraSolo en build-timeCRUD completoCRUD completoCRUD completoCRUD SQL completo
RendimientoSub-100ms0.0001ms - 100msSub-100ms3-5ms vector, 50ms FTS10ms-1s (SQL complejo)

*Instantánea de septiembre de 2025: Chroma requiere un entorno de ejecución de servidor y no admite almacenamiento de objetos S3 directo de la manera en que lo hacen las herramientas de archivo-objeto (issue #1736).

Ejemplos de implementación

Las diferencias de sintaxis revelan la división real: búsqueda en build-time, búsqueda en memoria, almacenamiento vectorial nativo, tablas multimodales y SQL en navegador no son la misma categoría de producto solo porque aparezcan todos en demos de IA.

Búsqueda de sitios estáticos con Pagefind

<link href="/pagefind/pagefind-ui.css" rel="stylesheet">
<script src="/pagefind/pagefind-ui.js"></script>
<div id="search"></div>
<script>new PagefindUI({ element: "#search" });</script>

Multimodal de nivel empresarial con LanceDB

Código para crear una tabla LanceDB con embeddings automáticos de OpenAI:

import * as lancedb from "@lancedb/lancedb";
import "@lancedb/lancedb/embedding/openai";
import { LanceSchema, getRegistry } from "@lancedb/lancedb/embedding";
import { Utf8 } from "apache-arrow";


const db = await lancedb.connect("data/multimodal-db");
const func = getRegistry()
  .get("openai")
  ?.create({ model: "text-embedding-ada-002" });


// Schema con generación automática de embeddings
const documentsSchema = LanceSchema({
  text: func.sourceField(new Utf8()),
  vector: func.vectorField(),
  category: new Utf8()
});


const table = await db.createEmptyTable("documents", documentsSchema);
await table.add([
  { text: "machine learning concepts", category: "research" },
  { text: "deep learning fundamentals", category: "research" }
]);

Ejemplo de consulta a una tabla LanceDB:

import * as lancedb from "@lancedb/lancedb";
import "@lancedb/lancedb/embedding/openai";
// "Connect" to a URL path
const db = await lancedb.connect("data/multimodal-db");
const table = db.getTable("documents");


// SQL + vector search combination
const results = await table.search("machine learning concepts")
  .where("category = 'research'")
  .limit(10)
  .toArray();


console.log(results);

Búsqueda universal con Orama

import { create, insert, search } from '@orama/orama'


const db = create({
  schema: {
    title: 'string',
    content: 'string',
    embedding: 'vector[1536]'
  }
})


await insert(db, {
  title: 'Getting Started',
  content: 'Learn the basics',
  embedding: await generateEmbedding('Learn the basics')
})


const results = await search(db, {
  term: 'basics',
  mode: 'hybrid' // Combines text + vector search
})

DuckDB-WASM:

import * as duckdb from "https://cdn.jsdelivr.net/npm/@duckdb/duckdb-wasm@latest/dist/duckdb-browser.mjs";
const bundle = await duckdb.selectBundle(duckdb.getJsDelivrBundles());
const worker = new Worker(bundle.mainWorker);
const db = new duckdb.AsyncDuckDB(new duckdb.ConsoleLogger(), worker);
await db.instantiate(bundle.mainModule, bundle.pthreadWorker);


const conn = await db.connect();
await conn.query(`create table t as select * from (values (1,'hybrid search'),(2,'edge sql')) as v(id,txt);`);
// Optional full-text:
await conn.query(`install fts; load fts; select * from t where match_bm25(txt, 'hybrid');`);

Búsqueda nativa de IA con Chroma

import { ChromaClient } from "chromadb";


const client = new ChromaClient();
const collection = await client.createCollection({ name: "knowledge-base" });


await collection.add({
  documents: ["AI will transform software development"],
  metadatas: [{ source: "tech-blog", category: "AI" }],
  ids: ["doc1"]
});


const results = await collection.query({
  queryTexts: ["future of programming"],
  where: { category: "AI" },
  nResults: 5
});

Guía de casos de uso

Elige Pagefind cuando:

Elige Orama cuando:

Elige Chroma cuando:

Elige LanceDB cuando:

Elige DuckDB-WASM cuando:

La regla de decisión

La pregunta práctica no es “¿cuál es la mejor base de datos?”

La pregunta práctica es: ¿qué tipo de cambio debe absorber el sistema?

El camino feliz es barato. Los casos límite deciden la arquitectura.

El panorama general

Estas herramientas reducen la infraestructura mínima viable para búsquedas útiles. Eso importa. En 2020, “búsqueda semántica” a menudo implicaba una pila de servicios, mucho código pegamento y alguien explicando índices vectoriales en una reunión donde la mitad de la sala quería almorzar. En 2025, un equipo pequeño puede prototipar la misma idea de producto con archivos, embeddings y un fin de semana.

Eso no significa que cada caja de búsqueda deba convertirse en un sistema RAG. Significa que la primera versión ya no tiene que heredar infraestructura de producción antes de tener evidencia de producción.

Incluso AWS se ha estado moviendo en esta dirección con trabajo de búsqueda vectorial adyacente a S3, lo cual es una señal útil: el almacenamiento de objetos ya no es solo el ático donde van los archivos viejos. Se está convirtiendo en una superficie de consulta.

Empieza a experimentar

  1. Elige primero el patrón de actualización: build-time, lotes por hora, escrituras en vivo o resultados por usuario.
  2. Prototipa con la herramienta honesta más pequeña: Pagefind para HTML estático, DuckDB para archivos analíticos, Orama para búsqueda de aplicaciones ligera, LanceDB o Chroma para trabajo pesado en vectores.
  3. Mide la parte fea: tiempo de indexación, actualización, tamaño del bundle, permisos y la primera consulta después de un arranque en frío.
  4. Promueve solo cuando el dolor sea real: una base de datos gestionada es más fácil de justificar después de que la versión basada en archivos muestra exactamente dónde se dobla.

Consulta mi guía práctica de Pagefind para una implementación práctica, o explora el creciente ecosistema de bases de datos edge-native que están transformando los datos a escala.

Aviso: He usado Pagefind durante años y me convertí en contribuidor en 2025. He experimentado con Orama y Chroma para proyectos más pequeños y estoy explorando LanceDB para aplicaciones de IA más grandes. Sin vínculos financieros con estos proyectos, solo un interés genuino en el panorama evolutivo de las bases de datos.

Loading comments...