MongoDB
Explica cómo almacenar embeddings y realizar búsquedas vectoriales en MongoDB, diseñar índices, combinar filtros y evaluar relevancia, latencia y costes.
Vector Search recupera documentos cercanos a un vector de consulta. El vector —embedding— representa significado o características numéricas producidas por un modelo externo.
contenido
→ modelo de embeddings
→ vector
→ índice vectorial
→ nearest neighbors
→ filtros y ranking finalMongoDB no decide por sí solo qué significa “similar”. La calidad depende del modelo, chunking, datos, filtros y evaluación.
Un embedding es un array de números con dimensionalidad fija:
{
content: 'Cómo configurar un replica set',
embedding: [0.018, -0.104, 0.223 /* ... */]
}La dimensión la define el modelo. Índice, documentos y query deben coincidir. Cambiar de modelo normalmente exige regenerar todos los vectores y construir un índice compatible.
Métricas comunes:
Elige la recomendada por el modelo. Usar otra puede degradar ranking aunque la query funcione técnicamente.
El índice declara path, dimensiones, similarity y campos filtrables según capacidad de la plataforma.
embedding → vector field
businessId → filter field
category → filter fieldNo indexe campos sin propósito. Vectores consumen almacenamiento y memoria significativos.
db.notes.aggregate([
{
$vectorSearch: {
index: 'notes-vector',
path: 'embedding',
queryVector,
numCandidates: 200,
limit: 10,
filter: {
businessId,
published: true
}
}
},
{
$project: {
title: 1,
content: 1,
score: { $meta: 'vectorSearchScore' }
}
}
]);La sintaxis y capacidades exactas dependen de la versión y servicio. Confirma documentación actual antes de implementar.
Approximate nearest neighbor —ANN— reduce el espacio explorado para responder rápido, pero puede omitir vecinos verdaderamente más cercanos.
Una búsqueda exacta sirve para evaluación o datasets pequeños, con mayor coste. Compara recall del índice aproximado contra un baseline exacto cuando la plataforma lo permita.
Más candidatos suele mejorar recall, pero aumenta latencia y recursos. Menos candidatos reduce coste y puede empeorar resultados.
No elijas un valor por ejemplo de documentación. Evalúa varias configuraciones con consultas reales.
Para documentos largos, se generan embeddings por fragmento:
documento
→ secciones
→ chunks con overlap
→ embeddings
→ resultados
→ reconstrucción de contextoChunks muy grandes mezclan temas; muy pequeños pierden contexto. Define tamaño por estructura y modelo, no solo por número fijo de caracteres.
Guarda metadata:
Los filtros deben aplicarse dentro de la búsqueda cuando sea posible:
Filtrar después puede recuperar vecinos de otros tenants y dejar pocos resultados válidos, además de aumentar riesgo de exposición.
Nunca confíes en similitud para autorización. Dos usuarios con queries parecidas no deben compartir documentos privados.
Deriva filtros de la sesión, no del payload. No permitas que el cliente elija paths o índices arbitrarios.
Texto y vectores resuelven señales distintas:
Un sistema híbrido combina scores o fusiona rankings. Es útil para consultas con keywords y lenguaje natural.
Ejemplo: error E11000 se beneficia de texto exacto; “por qué falla un duplicado” puede beneficiarse de embeddings.
La aplicación o pipeline externo llama al modelo. Necesita:
No envíes contenido sensible a un proveedor sin política y contrato adecuados.
Cuando cambia el contenido:
Existe una ventana de staleness. La búsqueda no debe validar writes críticos.
Guarda:
{
embeddingModel: 'model-name',
embeddingVersion: 2,
dimensions: 1536,
contentHash: '...'
}Permite detectar vectores viejos, ejecutar backfills y comparar modelos.
Construye un dataset con:
Métricas:
La similitud matemática no reemplaza evaluación humana y de producto.
En Retrieval-Augmented Generation:
pregunta
→ retrieval
→ chunks autorizados
→ prompt
→ respuesta con citasLos fallos pueden venir de retrieval, contexto, modelo generativo o instrucciones. Guarda trazas sanitizadas y evalúa cada capa.
No envíes más contexto del necesario ni mezcles tenants.
Chunks similares pueden dominar el top-k. Deduplica por documento, diversidad o sección. Si diez fragmentos del mismo artículo ocupan todo el resultado, el usuario pierde cobertura.
Incluye:
Embeddings de todos los campos “por si acaso” generan deuda costosa.
numCandidates insuficiente;Vector Search es una pieza de retrieval, no una solución automática de IA. La calidad depende de embeddings, chunking, filtros, versión y evaluación. Seguridad y tenant deben incorporarse en la consulta, y los cambios de modelo requieren una migración completa y medible.
Producción.