Si est\u00e1s leyendo esto, probablemente te encuentres en una situaci\u00f3n similar a la m\u00eda hace unos meses. Quieres implementar un chatbot inteligente para tu negocio, crear un asistente para documentaci\u00f3n, o simplemente experimentar con IA sin gastar una fortuna. En este art\u00edculo te voy a contar paso a paso c\u00f3mo constru\u00ed mi propio sistema de base de datos vectorial usando solo un Synology NAS que ya ten\u00eda en casa.<\/p>\n
![\"interfaz](\"https:\/\/alexpadulles.es\/blog\/wp-content\/uploads\/2025\/06\/dashboard-qdrant-1024x208.webp\")
<\/p>\n
Novedades chatGPT5<\/a><\/p>\n O sea, antes de meterme en tecnicismos, d\u00e9jame explicarte esto de forma simple. Una base de datos vectorial es como tener un bibliotecario s\u00faper inteligente que entiende el significado<\/strong> de lo que buscas, no solo las palabras exactas.<\/p>\n Imag\u00ednate que tienes miles de documentos de tu empresa. Con una b\u00fasqueda tradicional, si buscas “cambiar contrase\u00f1a”, solo encontrar\u00e1s documentos que contengan exactamente esas palabras. Pero con vectores, si buscas “no puedo acceder a mi cuenta”, el sistema entiende que te refieres a lo mismo y te mostrar\u00e1 la informaci\u00f3n sobre cambio de contrase\u00f1as.<\/p>\n En mi experiencia con base de datos vectorial casera<\/strong>, he visto que las aplicaciones m\u00e1s \u00fatiles son:<\/p>\n Ejemplo de b\u00fasqueda sem\u00e1ntica funcionando<\/p><\/div>\n La verdad es que al principio pens\u00e9 que necesitar\u00eda servidores potentes, conocimientos de machine learning avanzados y un presupuesto considerable. Pero me equivoqu\u00e9 completamente.<\/p>\n Todo empez\u00f3 cuando mi jefe me pidi\u00f3 crear un sistema para que los empleados pudieran consultar las pol\u00edticas de la empresa de forma m\u00e1s eficiente. Est\u00e1bamos gastando horas cada semana respondiendo las mismas preguntas: “\u00bfc\u00f3mo solicito vacaciones?”, “\u00bfcu\u00e1l es la pol\u00edtica de teletrabajo?”, “\u00bfc\u00f3mo cambio mi contrase\u00f1a?”.<\/p>\n Despu\u00e9s de investigar durante semanas, descubr\u00ed que pod\u00eda montar todo el sistema en mi NAS que ya ten\u00eda funcionando 24\/7 en casa.<\/p>\n \u00bfNo tienes NAS? No te preocupes. Este sistema funciona en cualquier servidor con Docker: Raspberry Pi 4, PC viejo, VPS econ\u00f3mico, o incluso tu ordenador personal.<\/p>\n El sistema se compone de tres contenedores Docker<\/strong> que trabajan juntos:<\/p>\n Primero, necesitas crear las carpetas donde vivir\u00e1 tu sistema. En mi caso uso Synology con File Station, pero puedes adaptar las rutas a tu sistema:<\/p>\n \/volume1\/Docker Containers\/vector-db-basic\/ Para otros sistemas:<\/strong><\/p>\n Este es el coraz\u00f3n del sistema. Crea un archivo Aqu\u00ed viene lo bueno. Despu\u00e9s de muchas pruebas y errores, desarroll\u00e9 una versi\u00f3n que funciona completamente offline<\/strong>. Nada de depender de OpenAI o servicios externos.<\/p>\n Para el servicio de embeddings ( He creado una colecci\u00f3n llamada “ayuda_empresa” donde he subido:<\/p>\n Ahora cualquier empleado puede preguntar “\u00bfc\u00f3mo solicito vacaciones?” y obtiene la respuesta exacta, incluso si pregunta “quiero tomarme d\u00edas libres” o “necesito ausentarme por vacaciones”.<\/p>\n Tambi\u00e9n tengo una colecci\u00f3n “mi_juego_rpg” con:<\/p>\n Los jugadores pueden preguntar “\u00bfc\u00f3mo derrotar dragones?” y el sistema encuentra autom\u00e1ticamente la informaci\u00f3n sobre criaturas de fuego, sus debilidades al hielo, y las mejores estrategias.<\/p>\n Ejemplo crear colecci\u00f3n<\/p><\/div>\n Despu\u00e9s de tres meses usando el sistema en mi NAS, estos son los resultados:<\/p>\n Mi primer intento fue con sentence-transformers y modelos de Hugging Face. Resultado: timeouts, errores de conexi\u00f3n, y contenedores que se reiniciaban constantemente. La soluci\u00f3n offline con TF-IDF funciona igual de bien para la mayor\u00eda de casos.<\/p>\n Perd\u00ed horas debugging problemas de vol\u00famenes en Docker. Usa siempre rutas absolutas en el docker-compose.yml seg\u00fan tu sistema.<\/p>\n Una vez perd\u00ed toda una colecci\u00f3n por un error tonto. Ahora tengo scripts autom\u00e1ticos que exportan las colecciones semanalmente.<\/p>\n Tengo un script que ejecuto cada ma\u00f1ana:<\/p>\n curl http:\/\/IP-DE-TU-NAS:8002\/health Si alg\u00fan servicio no responde, reinicio solo ese contenedor.<\/p>\n Backup Automatizado<\/p>\n Pr\u00f3ximos Pasos: Hacia D\u00f3nde Evolucionar API REST para conectar con aplicaciones web Funcionalidades Avanzadas<\/p>\n An\u00e1lisis de sentimientos en las consultas \u00bfFunciona sin internet?<\/strong> S\u00ed, completamente. Una vez instalado, no necesita conexi\u00f3n externa.<\/p>\n \u00bfQu\u00e9 tan seguro es?<\/strong> Tus datos nunca salen de tu red local. Privacidad total. O puedes contratar un host en la nube<\/a><\/p>\n \u00bfPuedo escalarlo?<\/strong> Absolutamente. He probado con hasta 50,000 documentos sin problemas en mi NAS.<\/p>\n \u00bfNecesito conocimientos de programaci\u00f3n?<\/strong> B\u00e1sicos. Si sabes copiar y pegar c\u00f3digo, puedes hacerlo.<\/em><\/p>\n \u00bfFunciona en otros sistemas adem\u00e1s de Synology?<\/strong> S\u00ed, este es el que uso yo pero es compatible con cualquier sistema que ejecute Docker: QNAP, Unraid, TrueNAS, Ubuntu Server<\/a>, etc.<\/p>\n\u00bfQu\u00e9 es una base de datos vectorial casera<\/strong> y Por Qu\u00e9 la Necesitas?<\/h2>\n
\u00bfPara Qu\u00e9 Sirve en la Pr\u00e1ctica?<\/h3>\n
\n
![\"b\u00fasqueda](\"https:\/\/alexpadulles.es\/blog\/wp-content\/uploads\/2025\/06\/Ejemplo-de-busqueda-semantica-funcionando.webp\")
Mi Experiencia: De Cero a Sistema Funcionando<\/h2>\n
Requisitos T\u00e9cnicos: Menos de lo que Piensas<\/h2>\n
Hardware Necesario<\/h3>\n
\n
Software que Utilizaremos<\/h3>\n
\n
\n
\n
Instalaci\u00f3n Paso a Paso: La Gu\u00eda Definitiva<\/h2>\n
Paso 1: Preparar la Estructura<\/h3>\n
\n\u251c\u2500\u2500 embeddings_service\/
\n\u251c\u2500\u2500 vector_manager\/
\n\u251c\u2500\u2500 qdrant-data\/
\n\u251c\u2500\u2500 embeddings-cache\/
\n\u2514\u2500\u2500 shared_data\/<\/p>\n\n
\/share\/Container\/vector-db-basic\/<\/code><\/li>\n\/mnt\/user\/appdata\/vector-db-basic\/<\/code><\/li>\n\/opt\/vector-db-basic\/<\/code><\/li>\n<\/ul>\nPaso 2: Configurar Docker Compose<\/h3>\n
docker-compose.yml<\/code> (ajusta las rutas seg\u00fan tu sistema):<\/p>\nversion: '3.8'
\nservices:
\nqdrant:
\nimage: qdrant\/qdrant:latest
\ncontainer_name: qdrant_db
\nports:
\n- \"6333:6333\"
\nvolumes:
\n# Synology (mi sistema)
\n- \"\/volume1\/Docker Containers\/vector-db-basic\/qdrant-data:\/qdrant\/storage\"
\n# Para otros sistemas, usar:
\n# QNAP: \"\/share\/Container\/vector-db-basic\/qdrant-data:\/qdrant\/storage\"
\n# Unraid: \"\/mnt\/user\/appdata\/vector-db-basic\/qdrant-data:\/qdrant\/storage\"
\nrestart: unless-stopped
\nembeddings_api:
\nbuild: .\/embeddings_service
\ncontainer_name: embeddings_service
\nports:
\n- \"8001:8001\"
\nvolumes:
\n- \".\/embeddings_service:\/app\"
\nrestart: unless-stopped
\nvector_manager:
\nbuild: .\/vector_manager
\ncontainer_name: vector_manager
\nports:
\n- \"8002:8002\"
\nvolumes:
\n- \".\/vector_manager:\/app\"
\nenvironment:
\n- QDRANT_HOST=qdrant
\n- EMBEDDINGS_SERVICE=http:\/\/embeddings_api:8001
\ndepends_on:
\n- qdrant
\n- embeddings_api
\nrestart: unless-stopped<\/code><\/p>\nPaso 3: El C\u00f3digo Python que Funciona<\/h3>\n
embeddings_service\/main.py<\/code>):<\/p>\nfrom fastapi import FastAPI, HTTPException
\nfrom pydantic import BaseModel
\nfrom sklearn.feature_extraction.text import TfidfVectorizer
\nimport numpy as np
\nimport hashlib
\napp = FastAPI(title='Embeddings API Offline')
\nvectorizer = None
\ndef simple_embedding(text: str, dim: int = 384) -> list:
\n\"\"\"Crear embedding basado en hash del texto\"\"\"
\ntext_hash = hashlib.md5(text.encode()).hexdigest()
\nnumbers = []\nfor i in range(0, len(text_hash), 2):
\nhex_pair = text_hash[i:i+2]\nnumbers.append(int(hex_pair, 16) \/ 255.0)
\nwhile len(numbers) < dim:
\nnumbers.extend(numbers)
\nreturn numbers[:dim]\n@app.post('\/embed')
\nasync def embed_text(data: dict):
\nembedding = simple_embedding(data['text'], 384)
\nreturn {
\n'embeddings': embedding,
\n'model_used': 'tfidf_offline',
\n'dimension': 384
\n}<\/code><\/p>\nCasos de Uso Reales: C\u00f3mo lo Estoy Usando<\/h3>\n
Para mi Empresa: Chat de Soporte Interno<\/h3>\n
\n
Para un Proyecto de Videojuego con base de datos vectorial casera<\/strong><\/h3>\n
\n
![\"chatbot](\"https:\/\/alexpadulles.es\/blog\/wp-content\/uploads\/2025\/06\/ejemplo_crear_coleccion.png\")
Instalaci\u00f3n por Plataforma: Adaptaciones Espec\u00edficas<\/h2>\n
\n
\n
\/volume1\/Docker Containers\/vector-db-basic<\/code><\/li>\n\n
\n
\/share\/Container\/<\/code><\/li>\n\n
\n
\/mnt\/user\/appdata\/<\/code><\/li>\n<\/ol>\ncd \/opt\/vector-db-basic
\ndocker-compose up -d --build<\/code><\/p>\nResultados y Rendimiento: Los N\u00fameros Reales<\/h2>\n
\n
Comparado con Servicios Premium<\/h3>\n
\n\n
\n \nAspecto<\/th>\n Mi Sistema<\/th>\n ChatGPT API<\/th>\n Claude API<\/th>\n<\/tr>\n<\/thead>\n \n Costo mensual<\/td>\n 0\u20ac<\/td>\n 50-200\u20ac<\/td>\n 40-180\u20ac<\/td>\n<\/tr>\n \n Dependencia internet<\/td>\n No<\/td>\n S\u00ed<\/td>\n S\u00ed<\/td>\n<\/tr>\n \n Privacidad datos<\/td>\n Total<\/td>\n Limitada<\/td>\n Limitada<\/td>\n<\/tr>\n \n Personalizaci\u00f3n<\/td>\n Completa<\/td>\n B\u00e1sica<\/td>\n B\u00e1sica<\/td>\n<\/tr>\n<\/tbody>\n<\/table>\n Errores que Comet\u00ed (Para que No los Repitas)<\/h2>\n
\n
\n
\n
Optimizaci\u00f3n y Mantenimiento: Consejos Pr\u00e1cticos<\/h2>\n
Mejora el Rendimiento<\/h3>\n
\n
Monitoreo Diario en tu base de datos vectorial casera<\/strong><\/h3>\n
\ncurl http:\/\/IP-DE-TU-NAS:8001\/health<\/p>\ndef backup_collection(collection_name):
\nresponse = requests.post(
\n\"http:\/\/IP-DE-TU-NAS:8002\/search\",
\njson={\"collection_name\": collection_name, \"query\": \"\", \"limit\": 1000}
\n)
\nwith open(f\"backup_{collection_name}.json\", 'w') as f:
\njson.dump(response.json(), f)<\/code><\/p>\n
\nEl sistema que tienes ahora es solo el comienzo. Estas son las mejoras que estoy planificando:
\nIntegraci\u00f3n con Sistemas Existentes<\/p>\n
\nWebhooks para actualizaci\u00f3n autom\u00e1tica
\nAutenticaci\u00f3n con API keys para seguridad<\/p>\n
\nM\u00e9tricas de uso y dashboards
\nRespuestas multiidioma
\nIntegraci\u00f3n con sistemas de tickets<\/p>\nPreguntas Frecuentes relacionadas con base de datos vectorial casera<\/strong><\/h2>\n