Mejor base de datos vectorial 2026: Qdrant, Pinecone, Weaviate o Chroma

La pregunta estructural es si opera el motor o lo alquila, y eso depende de si su recurso escaso son las horas de ingeniería o el presupuesto. Lea hacia abajo y deténgase en la primera línea que le describa.

Una base de datos vectorial almacena los embeddings numéricos de alta dimensión que produce un modelo de embeddings y responde consultas de vecinos más cercanos sobre ellos, que es el paso de recuperación en el centro de cualquier pipeline RAG. Usted le entrega un vector de consulta y le devuelve los vectores almacenados más próximos, normalmente con el texto original y los metadatos adjuntos.

Las bases de datos convencionales pueden hacerlo técnicamente y se hunden al intentarlo a escala, porque la búsqueda exacta de vecinos más cercanos sobre millones de vectores de alta dimensión es cara. Estos motores usan índices aproximados —HNSW en los cuatro casos— que cambian un poco de exhaustividad por una aceleración enorme. Ese intercambio es toda la razón de ser de la categoría.

La consecuencia práctica es que las diferencias interesantes entre los cuatro no son «¿encuentra vectores similares?»: todos pueden. Son cómo de bien se combina el filtrado por metadatos con el índice vectorial, cómo de madura es la búsqueda híbrida, qué cuesta a su volumen y si puede ejecutarlo usted. Para el pipeline que rodea a todo esto, véase construir RAG local.

Cada uno optimiza una restricción distinta —consumo, simplicidad operativa, calidad de recuperación o tiempo hasta la primera consulta— en lugar de competir función por función. Los precios se leyeron de las páginas de cada proveedor el 28 de agosto de 2026, y las cifras de repositorio proceden de la API de GitHub ese mismo día.

Autoalojar le da control de costes y residencia de datos y le entrega la disponibilidad, las copias de seguridad y el escalado; la nube gestionada se los revende. El planteamiento honesto es que la diferencia de dinero es menor de lo que la mayoría de equipos espera y la de tiempo es mayor.

Un Qdrant o Weaviate de un solo nodo en una máquina modesta llevará un millón de vectores por unos 40 a 80 dólares al mes de infraestructura. Los equivalentes gestionados caen en una banda parecida a esa escala. Lo que de verdad los separa son las dos a cinco horas al mes que alguien dedica a parchear, monitorizar, restaurar tras un despliegue fallido y atender un aviso cuando se llena un disco. Ponga a eso la tarifa horaria real de su equipo y la comparación suele invertirse.

Los casos donde autoalojar gana con claridad no son principalmente de dinero. Son residencia de datos, un requisito de aislamiento o instalación propia, y un volumen lo bastante alto como para que la facturación por consumo supere a una máquina fija. El caso donde gana lo gestionado es un equipo pequeño sin ingeniero de sobra, donde la alternativa a pagar no es ahorrar sino publicar más tarde.

Qdrant es la recomendación para la mayoría de equipos porque tiene el menor consumo de recursos de los motores abiertos, la mayor comunidad de los tres y un nivel en la nube gratuito indefinidamente en lugar de durante una ventana de prueba. También es el menos opinado sobre cómo estructurar sus datos.

Pinecone es el producto gestionado más maduro de aquí y el único sin ninguna versión autoalojada, lo que es a la vez su mejor característica y su mayor compromiso. Lo que compra es la ausencia de trabajo operativo.

Weaviate tiene la búsqueda híbrida más madura de los cuatro y, desde junio de 2026, también un nivel gratuito que no caduca, lo que invalida el consejo que la mayoría de comparativas sigue dando sobre él. Si la calidad de la recuperación es su cuello de botella, mire aquí primero.

Chroma es el único de los cuatro que corre dentro de su proceso de Python sin servidor, lo que lo convierte en el camino más rápido de la nada a una recuperación que funciona. Es más estrecho que los demás por diseño, y honesto al respecto.

Desde junio de 2026 los cuatro proveedores ofrecen una forma de ejecutar una carga real a coste cero, y esta es la manera más rápida de saber si la comparativa que está leyendo se ha actualizado este año. Una guía que le diga que Weaviate solo le da un sandbox de 14 días está describiendo un estado del mundo que terminó el 17 de junio de 2026.

Las cuatro ofertas gratuitas tienen formas genuinamente distintas, y eso importa más que el hecho de que existan. Qdrant Cloud le da un clúster persistente de un nodo con 0,5 vCPU, 1 GB de RAM y 4 GB de disco, gratis para siempre: una máquina pequeña que conserva. Pinecone Starter es gratis con 2 GB de almacenamiento y cupos medidos de 2 M de unidades de escritura y 1 M de lectura al mes: capacidad más presupuesto de rendimiento. El plan gratuito de Weaviate da 100.000 objetos, 1 GB de memoria y 10 GB de disco sin tarjeta y sin caducidad: el más generoso en disco. Chroma Cloud Starter cuesta 0 $ al mes más consumo con 5 $ de crédito, que es un saldo y no un cupo permanente, y acabará agotándose bajo carga.

Léalo contra su carga, no unos contra otros. Si almacena mucho y consulta poco, los 10 GB de Weaviate son la oferta más fuerte de aquí. Si consulta constantemente contra un corpus pequeño, el cupo de unidades de lectura de Pinecone importa más que la cifra de disco de nadie.

Para un millón de vectores de 1.536 dimensiones —aproximadamente un corpus del tamaño de los embeddings de OpenAI— los costes de infraestructura están lo bastante cerca entre autoalojado y gestionado como para que decida el tiempo de operaciones. Las cifras siguientes suponen un despliegue de un nodo en una máquina de 40 a 80 dólares al mes con 4 vCPU y 16 GB de RAM frente al nivel más bajo de cada proveedor que cubra con holgura la misma carga.

Los cuatro se integran con LangChain y LlamaIndex, así que la cuestión del framework está prácticamente resuelta; donde difieren de verdad es en la búsqueda híbrida. La búsqueda híbrida mezcla la puntuación por palabras clave, normalmente BM25, con la similitud vectorial, y existe porque la búsqueda puramente semántica tiene un modo de fallo concreto y predecible.

Ese modo de fallo son los tokens exactos. Códigos de producto, números de modelo, cadenas de error, identificadores de versión y siglas significan su forma literal, y el embedding de «ERR_4021» queda cerca de los embeddings de otras cadenas de error en lugar de cerca del pasaje que documenta esa en concreto. La coincidencia por palabra clave lo resuelve trivialmente y la búsqueda semántica no, y por eso mezclar ambas eleva la precisión en corpus técnicos mucho más que afinar el modelo de embeddings.

Weaviate tiene la implementación más madura, con puntuación BM25 y vectorial combinadas en la API de consulta y control real sobre el peso. Qdrant llega al mismo sitio mediante soporte nativo de vectores dispersos junto a los densos, lo que es arquitectónicamente más limpio y aproximadamente igual de capaz. Pinecone lo soporta en sus tipos de índice disperso y denso. La de Chroma es la más nueva y menos completa, y es la que conviene medir contra sus propias consultas antes de depender de ella en un camino crítico de lanzamiento.

Esto lo deciden el tamaño del equipo, la capacidad de operaciones y los requisitos de residencia, no las tablas de benchmarks. Seis perfiles cubren a la mayoría de lectores.

Un almacén vectorial guarda embeddings de sus documentos de origen y, en prácticamente cualquier despliegue, también el texto original como carga útil. Eso convierte la elección entre alojado y autoalojado en una cuestión de protección de datos en tres mercados importantes.

Si tiene menos de unos 10.000 vectores, sáltese los cuatro y use pgvector sobre Postgres. A esa escala un escaneo exacto de vecinos más cercanos termina en milisegundos, así que el índice aproximado que justifica un motor dedicado resuelve un problema que usted no tiene. Si ya ejecuta Postgres, pgvector añade un tipo de columna y un índice en lugar de un servicio, y sus vectores viven en la misma transacción que las filas que describen, lo que elimina calladamente toda una clase de errores de consistencia en los que el índice y los datos de origen dejan de coincidir.

SQLite con `sqlite-vec` cubre lo mismo para aplicaciones sin ningún servidor de base de datos. Y si sus embeddings son estáticos y cambian poco, un índice FAISS versionado en su repositorio es más simple que todo esto: sin servicio, sin esquema, sin migración.

El umbral que merece la pena esperar es concreto: cientos de miles de vectores, latencia de consulta que un escaneo secuencial ya no puede disimular, o necesidad de un filtrado por metadatos que se componga con la búsqueda por similitud en lugar de ejecutarse después. Levantar un motor dedicado antes de eso significa operar un servicio para resolver un problema que su base de datos actual ya cubre.