Vectorize

Qué es

Imagina darle a cada foto, frase o canción un conjunto de coordenadas para que las cosas parecidas queden juntas en un mapa — entonces "encuéntrame más como esto" simplemente significa "encuentra los puntos más cercanos". Vectorize es la base de datos vectorial de Cloudflare, un almacén construido exactamente para eso. Guardas embeddings — listas de números que capturan el significado de un texto, una imagen u otro dato — y pides los que más se parecen a una lista dada. Es la mitad de recuperación (búsqueda) de la búsqueda semántica y de RAG (Retrieval-Augmented Generation — Generación Aumentada por Recuperación, es decir, alimentar a una IA con hechos relevantes que puede citar). Se conecta directamente a un Worker junto con Workers AI, que puede producir los embeddings.

Fortalezas

• Diseñado específicamente para búsqueda de similitud sobre embeddings, con consultas rápidas de vecinos más cercanos.
• Se conecta directamente a los Workers; no hay que ejecutar un servicio vectorial aparte.
• Se combina perfectamente con Workers AI para un pipeline de RAG de extremo a extremo en Cloudflare.
• Soporta filtrado por metadatos para poder acotar los resultados.
• Sin servidor (serverless) y disponible globalmente, escalando junto con tu aplicación.

Contrapartidas

• Almacena vectores y metadatos, no tus documentos de origen — guarda esos en D1 (una base de datos SQL) o R2 (almacenamiento de archivos).
• Debes generar los embeddings tú mismo (por ejemplo, mediante Workers AI) antes de insertarlos.
• Las dimensiones del índice y la métrica de distancia quedan fijas al crearlo — elígelas con cuidado.
• Es un almacén especializado, no una base de datos de propósito general.

Cuándo usarlo

Usa Vectorize para búsqueda semántica, recomendaciones, deduplicación y el paso de recuperación de RAG — cualquier vez que "encuentra las cosas más parecidas a esto" sea mejor que una coincidencia exacta de palabras clave.

Encaje con vibe coding

Vectorize le permite a un agente construir una función de RAG completa sin salir de Cloudflare: Workers AI genera los embeddings, Vectorize los almacena y los busca, y D1 o R2 guarda los originales. Dile al agente de antemano cuál es el modelo de embeddings, porque las dimensiones del índice deben coincidir con la salida de ese modelo. El ejemplo crea un índice y lo conecta.

# wrangler.toml
[[vectorize]]
binding = "VECTORIZE"
index_name = "docs-index"

# Dimensions must match your embedding model's output
npx wrangler vectorize create docs-index --dimensions=768 --metric=cosine