En pocas palabras
Una vector database es una base de datos pensada para buscar por parecido. Las bases de datos normales buscan coincidencias exactas, palabra por palabra. Esta, en cambio, guarda el significado de cada texto y te devuelve lo que tiene un sentido parecido a tu pregunta.
Explicado fácil
Imagina una biblioteca gigante donde los libros no están ordenados por título ni por letra, sino por tema. Todos los libros de animales están juntos; los de cocina, en otra zona; los de espacio, en otra. Si pides «algo sobre perros», la persona de la biblioteca te lleva directa a la estantería de animales, aunque tú no dijeras la palabra exacta que aparece en el libro.
Una base de datos vectorial es esa biblioteca por temas, pero para ordenadores. Cada texto se guarda como un punto colocado según su significado (eso es un embedding). Los significados parecidos quedan cerca. Así, cuando preguntas algo, busca los puntos más cercanos y te trae lo más parecido, aunque hayas usado otras palabras.
¿Por qué importa para crear agentes de IA?
Un modelo de IA no recuerda lo que pasó ayer y no se sabe tus documentos de memoria. La base de datos vectorial es lo que le da memoria de verdad y le permite consultar tus textos. Cuando el agente necesita un dato, busca en la vector DB los fragmentos más parecidos a la pregunta y se los lleva. Esta es la pieza clave del RAG, la técnica que hace que un agente conteste con tu información y no se la invente. Sin ella, un agente con muchos documentos no sabría dónde mirar.
Un ejemplo
Tienes una empresa con miles de páginas de manuales. Las guardas en una base de datos vectorial. Un cliente le pregunta al agente: «¿cómo cambio la contraseña?». El agente busca por parecido y encuentra el fragmento que habla de «restablecer las credenciales de acceso», aunque no diga la palabra «contraseña». Le pasa ese trozo al modelo y este responde con la respuesta correcta, sacada de tu propio manual.