La base de datos vectorial open source más ampliamente desplegada

Descubre por qué Elasticsearch es el estándar.

Inicia la prueba gratis

Novedades: BBQ

¿Qué debería hacer tu base de datos vectorial para ti?

Descubre qué es una base de datos vectorial

Búsqueda vectorial: contexto, intención, relaciones
La búsqueda de similitud puede devolver los resultados correctos, incluso cuando las palabras no coinciden del todo.
Tutorial práctico
Búsqueda híbrida: precisión + flexibilidad
La búsqueda por palabras clave es precisa. La búsqueda vectorial tiene matices. La búsqueda híbrida combina ambas.
Ejemplos de búsqueda híbrida
Vectores dispersos vs. densos: rápido y eficiente
La expansión de texto disperso y las coincidencias de significado denso son perfectas para búsquedas abiertas y del mundo real.
Tipos de clasificación de documentos
Filtros, clasificación, reclasificación: relevancia con contexto
Los filtros reducen el alcance, la clasificación encuentra la señal; ambos son problemas difíciles, pero una pura delicia cuando se hacen bien.
Búsqueda de kNN filtrada

Elasticsearch: Más que solo vectores, amado por los desarrolladores

No hay brechas ni compromisos: todo funciona junto, porque se desarrolló así

Búsqueda híbrida que entiende todo
La búsqueda híbrida de Elasticsearch combina palabras clave, vectores, datos geográficos, metadatos y más en una sola llamada a la API. Clasifica los resultados por significado, precisión y contexto.
Facetas y filtros, sin retrasos
Filtros y facetas que se ejecutan rápidamente, incluso a escala: sin ralentizaciones ni exploraciones de índice completas. Elastic combina la recuperación de aNN con filtros para crear el alcance adecuado, sin importar la escala.
OpenAI, Anthropic, Hugging Face… todos nativos
Las API de inferencia ejecutan inferencia nativa con los LLM populares o modelos integrados para inserción de texto, clasificación, preguntas y respuestas y más. No se necesita infraestructura externa de ML.
Más vectores. Menos memoria. Sin concesiones.
Better Binary Quantization (BBQ) reduce el uso de memoria hasta en un 95 % a la vez que ofrece gran precisión. Los cálculos de distancia optimizados y la recuperación de aNN aceleran la búsqueda de vectores a escala.
Búsqueda semántica, menos pasos
El campo semantic_text maneja los mappings, las incrustaciones y la fragmentación de forma automática, al ofrecer una recuperación densa verdaderamente fluida en una sola consulta.
Prueba RAG rápidamente — sin necesidad de configuración
Deja de adivinar. AI Playground te permite probar estrategias híbridas de recuperación, clasificación de relevancia y fragmentación en tiempo real, para que puedas ajustar y enviar consultas probadas con confianza.

Ejecuta Go hospedado en AWS, Azure o Google Cloud, o prueba la opción sin servidor y deja que Elastic se encargue del resto.

Prueba ahora Consulta los precios

Una llamada, eso es todo

Indexa, busca, filtra y aplica RBAC en texto, incrustaciones, ubicación geográfica, series temporales o metadatos

Generar incrustaciones
Captura el significado, el contexto y las asociaciones transformando datos en vectores densos. Crea tu blog de incrustaciones.
POST _inference/my-e5-endpoint { "input": "How many adult mallard ducks fit in an american football field?" }

Incrustaciones de índices

El almacenamiento de vectores de Elasticsearch se basa en el algoritmo HNSW de Lucene que supera los puntos de referencia comparativos (ver “luceneknn”).

Nuestro enfoque de búsqueda vectorial

PUT my-index
{
  "mappings": {
    "properties": {
      "my_vector": {
        "type": "dense_vector"
      },
      "my_text" : {
        "type" : "text"
      },
      "category": {
        "type": "text"
      }
    }
  }
}



# Index a document
PUT my-index/_doc/2
{
  "my_vector" : [
        0.018743202,
        -0.011059246,
   …
        0.05155631,
        0.04044561
      ],
  "my_text" :"57,000 average sized mallard ducks fit on an American football field",
"category" : "weird_stats"
}

Buscar incrustaciones

Ejecuta la búsqueda de kNN para que se ajuste a tu caso de uso: aplica el algoritmo de ANN para la velocidad y la escala usando el índice HNSW de Lucene o la coincidencia exacta.

Explora ANN y KNN.

GET /my-index/_search
{
  "retriever": {
    "knn": { 
      "field": "my_vector", 
      "query_vector_builder":{
      "text_embedding": {
        "model_id": "my-e5-endpoint",
        "model_text": "How many adult mallard ducks fit in an american football field??"
      }
    }, 
      "k": 10, 
      "num_candidates": 10 
    }
  }
}

Usa filtros y facetting para perfeccionar la búsqueda

Confía en el rico marco de trabajo de capacidades de filtrado y facetting de Elasticsearch que están disponibles para la búsqueda vectorial para crear aplicaciones intuitivas para el usuario final.

Lee sobre filtrado kNN

Obtén más información sobre el facetting

GET /my-index/_search
{
  "retriever": {
    "knn": {
      "field": "my_vector",
      "query_vector_builder":{
      "text_embedding": {
        "model_id": "my-e5-endpoint",
        "model_text": "How many adult mallard ducks fit in an american football field??"
      }
    }, 
      "k": 10,
      "num_candidates": 10,
      "filter": [
        {
          "term": {
            "category": "weird_stats"
          }
        }
      ]
    }
  }
}

Combina los métodos de recuperación con la búsqueda híbrida

Con la recuperación híbrida, elige entre los métodos de recuperación que brinden los mejores resultados para tu caso de uso: BM25, el modelo de codificador disperso capacitado de Elastic (ELSER) o vectores densos.

Mira el video sobre la búsqueda híbrida

GET /my-index/_search
{
  "retriever": {
    "rrf": {
      "retrievers": [
        {
          "standard": {
            "query": {
              "bool": {
                "filter": [
                  {
                    "term": {
                      "category": "weird_stats"
                    }
                  }
                ]
              }
            }
          }
        },
        {
          "knn": {
            "field": "vector",
            "query_vector_builder": {
              "text_embedding": {
                "model_id": "my-e5-endpoint",
                "model_text": "How many adult mallard ducks fit in an american football field??"
              }
            },
            "k": 10,
            "num_candidates": 10
          }
        }
      ],
      "rank_constant": 1,
      "rank_window_size": 50
    }
  }
}

Aplica la autorización de seguridad y cumplimiento a nivel de documentos

Asigna controles de acceso granulares basados en roles con seguridad a nivel de documentos y campos, con cobertura en marcos de trabajo de cumplimiento ampliamente adoptados.

Configurar la autorización

Configurar el cumplimiento

POST /_security/role/employee_role {
  "indices": [
    {
      "names": [ "example-index" ],
      "privileges": [ "read" ],
      "field_security" : {
        "grant" : [ "state", "name.first", "name.last" ]
      }
    }
  ]
}


GET example-index/_search {
  "query": {...},
  "knn" = {...},
  "aggs": {...}
}

POST _inference/my-e5-endpoint
{
  "input": "How many adult mallard ducks fit in an american football field?"
}

¿El mejor de su clase? Integrado directamente

Integraciones nativas con todos los principales productos de AI: para que tus aplicaciones lleguen más lejos, más rápido

Un vecindario de alta calidad

Desde el mensaje hasta el producto, estas organizaciones confían en Elastic para crear búsquedas de próxima generación

Cliente destacado
Reed, el mayor reclutador del Reino Unido, pone en contacto a buscadores de empleo y empleadores mediante incrustaciones de vectores en Elasticsearch.
Más información
Cliente destacado
Stack Overflow combina el poder de los expertos humanos con la AI generativa para acelerar la recuperación de información confiable de las bases de conocimiento de los desarrolladores.
Más información
Cliente destacado
Adobe escala, gestiona múltiples casos de uso y pone a trabajar las características del machine learning con Elastic.
Más información

Superconjunto de base de datos vectorial

Elige una base de datos vectorial en función de la experiencia de búsqueda vectorial que quieras crear.

Otras bases de datos vectoriales

Elasticsearch

Ingesta, parseo e indexación

Modelo de documento flexible

soporte parcial

soporte total (gratis)

Almacenamiento seguro (seguridad a nivel de documento y de campo)

soporte parcial

soporte total (pago)

Procesa datos estructurados y no estructurados

soporte parcial

soporte total (gratis)

Herramientas de ingesta (clientes, rastreador web, *conectores,* *pipelines de inferencia*)

soporte parcial

soporte total (*pago)

Actualizaciones de documentos y metadatos en tiempo real

soporte parcial

soporte total (gratis)

Texto semántico para almacenamiento vectorial optimizado

soporte parcial

soporte total (gratis)

Incrustaciones

Recuperación

Machine learning

Herramientas de Elastic

Preguntas frecuentes

¿Qué es una base de datos vectorial y cómo funciona?

Una base de datos vectorial almacena información como vectores, que son representaciones numéricas de objetos de datos, también conocidos como incrustaciones de vectores. Usa incrustaciones de vectores para la búsqueda multimodal en un conjunto masivo de datos estructurados, no estructurados y semiestructurados, como imágenes, texto, videos y audio. Las bases de datos vectoriales están diseñadas para gestionar incrustaciones de vectores y, por lo tanto, ofrecen una solución completa para la gestión de datos.

¿Qué son las incrustaciones de vectores?

Las incrustaciones de vectores usan un modelo de machine learning para traducir texto en números, lo que te permite realizar búsquedas de vectores. Al convertir los datos en vectores, las incrustaciones facilitan la comparación, la búsqueda y el análisis de similitudes entre elementos de este espacio.

¿Cuáles son los beneficios de una base de datos vectorial?

Una base de datos vectorial ofrece eficiencia a escala al permitir una migración de datos sin problemas entre entornos locales y el cloud, y al proporcionar almacenamiento para incrustaciones de vectores. Las bases de datos vectoriales destacan en la búsqueda de similitudes, lo que te permite encontrar fácilmente elementos relacionados, lo cual es esencial para los sistemas de recomendación, la búsqueda de imágenes y el descubrimiento de contenido. Con capacidades de búsqueda semántica, van más allá de la simple coincidencia de palabras clave para ofrecer resultados basados en el significado y el contexto. Al almacenar incrustaciones de vectores, son compatibles con aplicaciones de AI y machine learning, lo que facilita la implementación de modelos de recomendación y PNL.

¿Elasticsearch es una base de datos vectorial?

Sí, Elasticsearch es la base de datos vectorial open source más desplegada del mundo, que te ofrece una manera eficiente de crear, almacenar y buscar incrustaciones de vectores a escala. Con la base de datos vectorial lista para empresas de Elastic, logras tiempos de búsqueda rápidos y un rendimiento óptimo, incluso con datos que cambian rápidamente. Diseñada para escalarse, ofrece resultados de búsqueda relevantes y personalizados, a la vez que simplifica tus procesos de desarrollo.

¿Por qué elegir Elastic como tu base de datos vectorial?

Elastic ofrece todos los beneficios de una potente base de datos vectorial junto con seguridad integrada, cumplimiento normativo y alta disponibilidad. Con más de una década de experiencia en búsquedas, Elastic garantiza la relevancia de las búsquedas de primer nivel y opciones de implementación flexibles. Como plataforma unificada, Elastic minimiza la expansión de herramientas y la deuda técnica, a la vez que te ofrece respuestas precisas con citas de fuentes claras.

La base de datos vectorial open source más ampliamente desplegada

¿Qué debería hacer tu base de datos vectorial para ti?

Búsqueda vectorial: contexto, intención, relaciones

Búsqueda híbrida: precisión + flexibilidad

Vectores dispersos vs. densos: rápido y eficiente

Filtros, clasificación, reclasificación: relevancia con contexto

Elasticsearch: Más que solo vectores, amado por los desarrolladores

Búsqueda híbrida que entiende todo

Facetas y filtros, sin retrasos

OpenAI, Anthropic, Hugging Face… todos nativos

Más vectores. Menos memoria. Sin concesiones.

Búsqueda semántica, menos pasos

Prueba RAG rápidamente — sin necesidad de configuración

Ejecuta Go hospedado en AWS, Azure o Google Cloud, o prueba la opción sin servidor y deja que Elastic se encargue del resto.

Una llamada, eso es todo

Generar incrustaciones

Incrustaciones de índices

Buscar incrustaciones

Usa filtros y facetting para perfeccionar la búsqueda

Combina los métodos de recuperación con la búsqueda híbrida

Aplica la autorización de seguridad y cumplimiento a nivel de documentos

¿El mejor de su clase? Integrado directamente

Un vecindario de alta calidad

Cliente destacado

Cliente destacado

Cliente destacado

Superconjunto de base de datos vectorial

Otras bases de datos vectoriales

Elasticsearch

Ingesta, parseo e indexación

Incrustaciones

Recuperación

Machine learning

Herramientas de Elastic

Preguntas frecuentes

¿Qué es una base de datos vectorial y cómo funciona?

¿Qué son las incrustaciones de vectores?

¿Cuáles son los beneficios de una base de datos vectorial?

¿Elasticsearch es una base de datos vectorial?

¿Por qué elegir Elastic como tu base de datos vectorial?