Viernes, 20 de noviembre de 2026

Lo más relevante del hosting en el mundo, en español · ehost.ec →

Atarim sustituye Qdrant por MariaDB Vector para su RAG y unifica vectores y metadatos

Atarim ha reemplazado Qdrant por MariaDB como almacén vectorial de su sistema RAG en AWS para simplificar la integración y mantener vectores y metadatos en una sola base de datos; la búsqueda filtrada en producción devuelve resultados en torno a 10 ms.

Por Equipo ehost3 min de lecturaFuente: MariaDB.org
Atarim sustituye Qdrant por MariaDB Vector para su RAG y unifica vectores y metadatos
Imagen ilustrativa generada con inteligencia artificial.

Atarim, la agencia que automatiza tareas de mantenimiento web con flujos de trabajo impulsados por IA, ha migrado su almacén vectorial desde Qdrant a MariaDB Vector. El equipo describe el cambio como casi un reemplazo directo que persigue una integración más sencilla, mayor soberanía de datos y la reducción de proveedores a gestionar.

Qué cambia y por qué importa la palabra clave: MariaDB Vector

La novedad principal es que los embeddings (vectores) y sus metadatos ahora residen en una única base de datos relacional —MariaDB 11.8— desplegada en Amazon RDS. Antes, los vectores estaban en Qdrant y la metadata en otro sistema; ahora ambas cosas conviven en la misma tabla por colección de documentos. Esto permite ejecutar búsquedas vectoriales y filtros de metadata mediante consultas SQL sobre una sola conexión, un único modelo de copias de seguridad y un único control de accesos.

Cómo funciona técnicamente

Atarim usa embeddings generados con un modelo de OpenAI a 1.536 dimensiones y almacena cada embedding en una columna de tipo vector en MariaDB. El índice vectorial es MHNSW (la implementación de HNSW de MariaDB) y las búsquedas de vecinos más cercanos se realizan con consultas ORDER BY … LIMIT que emplean la función de distancia correspondiente.

Para mantener filtros rápidos, la metadata se guarda en un campo JSON cuando la estructura debe ser flexible, y en columnas tipadas o columnas virtuales indexadas para los campos que se usan para filtrar (por ejemplo, id del espacio de trabajo). Así, una búsqueda filtrada reduce primero el conjunto candidato con un lookup B-tree y luego puntúa los candidatos restantes usando el índice vectorial.

Resultados prácticos en producción

En la configuración actual de producción, la RDS con MariaDB almacena 9.708 vectores procedentes de 412 archivos. Atarim informa que una búsqueda filtrada al conjunto de archivos de un workspace devuelve las 20 mejores coincidencias en unos 10,3 ms (mediana, caché caliente). Las búsquedas sin filtro tardan más (unos 27 ms) y no son el flujo habitual de la plataforma.

En comparativas locales con los mismos embeddings y memoria similar, MariaDB fue entre 1,6 y 3,3 veces más rápido que Qdrant en búsquedas filtradas con la misma recall y también manejó más consultas concurrentes bajo carga. En cambio, en búsquedas no filtradas Qdrant obtuvo mejores tiempos y recall más alto.

Lecciones de la migración y recomendaciones para administradores

  • Diseñar rutas separadas para búsquedas filtradas y no filtradas desde el inicio facilita aprovechar la ventaja de MariaDB en filtros previos por SQL.
  • Regenerar embeddings en lugar de copiarlos puede simplificar la migración; Atarim optó por regenerarlos y mantener la metadata en JSON con columnas virtuales indexadas para los filtros.
  • En consultas, parsear el vector de consulta una sola vez (por ejemplo en una tabla derivada) rinde mejor que convertirlo en cada expresión de distancia.

Para administradores de servidores y responsables de aplicaciones RAG: si su carga habitual incluye filtros por atributos de negocio (workspace, cliente, tipo de documento), usar un motor vectorial integrado en la base de datos relacional puede reducir la complejidad operativa y mejorar latencias en escenarios filtrados. Si en cambio su caso requiere búsquedas globales no filtradas a gran escala, vale la pena evaluar el comportamiento de ambos enfoques con volúmenes mayores.

Uso adicional: herramientas de base de datos para WordPress y planes futuros

Atarim también emplea MariaDB para ofrecer herramientas de gestión de bases de datos a sus clientes WordPress y explora el índice semántico del contenido de los sitios (embeddings dentro de la propia base de datos del sitio). En pruebas sintéticas, vectorizar todo el contenido de un WordPress de ejemplo multiplicó el tamaño de la base de datos, y reducir dimensiones abarató almacenamiento a costa de precisión; Atarim anuncia que publicará benchmarks escalados para comparar comportamiento a mayor volumen.

Lee también:

Fuente: MariaDB.org

Compartir