Arrancas un nuevo proyecto web y las manos casi solas buscan armar un stack «serio». ¿Llegan documentos JSON variados? Levantamos MongoDB. ¿Falta búsqueda tolerante a errores tipográficos? Instalamos Elasticsearch. ¿Conectamos un bot RAG con embeddings? Abrimos cuenta en Pinecone. ¿Guardamos métricas? Desplegamos InfluxDB. ¿Aparecen tareas en segundo plano? Metemos Redis.
En el diagrama de Miro todo luce impecable. Cada base entró por una necesidad real. El problema estalla seis meses después en producción. A este enfoque se le llama Polyglot Persistence (persistencia políglota: un motor distinto para cada tipo de dato), y la factura más cara no llega desde la nube.
Se paga con complejidad operativa. Cada base extra suma un nuevo pool de conexiones, otra política de backups, un tablero más de monitoreo, su propia forma de caerse un viernes por la tarde y otro motivo para despertarte a las tres de la mañana. En un análisis de SQL Portal lo resumieron con precisión: «Detrás de cada stack con demasiadas bases de datos hay un equipo que ni siquiera comprobó lo que ya sabe hacer PostgreSQL».
Y en 2026 sabe hacer muchísimo: junto con sus extensiones maduras, un único clúster cubre el 80–90% de las necesidades habituales. Repasemos las cinco parejas con SQL real y marquemos la línea donde una base dedicada sí se amortiza.
JSONB y pgvector: documentos y búsqueda con IA sin MongoDB ni Pinecone
Lo primero que suele entrar en un proyecto son datos flexibles: webhooks de pagos, eventos o formularios con campos variables. Parece que las tablas relacionales estorban y el equipo adopta MongoDB.
PostgreSQL incluye hace años JSONB, un JSON binario que el planificador de consultas entiende nativamente. Para que buscar por claves anidadas no escanee toda la tabla, se añade un índice GIN (Generalized Inverted Index: un índice invertido que funciona como el índice temático de un libro, desglosa las claves del documento y apunta directo a las filas).
-- Índice GIN sobre una columna con documentos JSONB
CREATE INDEX idx_events_payload
ON events USING gin (payload);
-- Búsqueda por campo anidado aprovechando el índice
SELECT id, payload
FROM events
WHERE payload @> '{"type": "checkout"}';
El operador @> comprueba si existe el par clave-valor y usa el índice sin problemas. Lo mejor es que los documentos conviven junto a usuarios y pedidos, así que mantienes transacciones ACID y JOIN normales. Quienes migran desde MongoDB casi siempre admiten lo mismo: echaban de menos los JOIN mucho más de lo que pensaban. Además, eliminas de golpe un pool de conexiones y una rutina de respaldo aparte.
La segunda causa frecuente para multiplicar motores es la búsqueda vectorial para RAG. En vez de Pinecone o Chroma, en Postgres instalas pgvector (rama v0.8.7, compatible con PostgreSQL 13+, con soporte para float, half-precision, vectores binarios, dispersos y cuantización). De fábrica trae distancia coseno (<=>), euclidiana L2 (<->) y producto escalar (<#>).
-- Activamos pgvector y creamos un índice HNSW
CREATE EXTENSION IF NOT EXISTS vector;
CREATE INDEX idx_docs_emb
ON docs USING hnsw (embedding vector_cosine_ops);
-- Buscamos los cinco documentos más cercanos al vector de consulta
SELECT id, title
FROM docs
ORDER BY embedding <=> $1
LIMIT 5;
Si tu servicio RAG ya consulta Postgres, pgvector evita un salto de red adicional y otro servicio con cuotas de API propias. Los vectores viven junto a las tablas de negocio, así que permisos y cercanía semántica se filtran en una sola consulta.
Ten presente la diferencia entre los índices HNSW (grafo multicapa) e IVFFlat (agrupación en clústeres). HNSW ofrece mayor precisión y puede crearse con la tabla vacía, pero tarda más en construirse y consume entre 2 y 5 veces más RAM. IVFFlat es más ligero en memoria, aunque no debe crearse sobre una tabla vacía porque sus clústeres quedarían mal formados hasta ejecutar REINDEX tras cargar los datos.
Búsqueda tolerante a erratas y series temporales: tsvector, pg_trgm y TimescaleDB
Aparece un cuadro de búsqueda y en la reunión diaria enseguida suena «Elasticsearch». Después el equipo pasa semanas sincronizando datos, cazando desajustes con la base principal y alimentando de RAM a un clúster Java.
Dentro de Postgres, combinar tsvector + pg_trgm + GIN da búsqueda de texto completo con ranking, diccionarios por idioma, autocompletado y tolerancia a erratas. La extensión pg_trgm trabaja con trigramas: divide las palabras en grupos de tres caracteres seguidos (pos, ost, stg) y mide el grado de coincidencia.
-- Activamos trigramas y creamos un índice GIN sobre el nombre
CREATE EXTENSION IF NOT EXISTS pg_trgm;
CREATE INDEX idx_items_name_trgm
ON items USING gin (name gin_trgm_ops);
-- Buscamos tolerando erratas y ordenamos por similitud
SELECT name
FROM items
WHERE name % 'postgres'
ORDER BY similarity(name, 'postgres') DESC;
El operador % filtra filas parecidas y similarity sube las mejores coincidencias arriba. Se cumple la regla 80/20: Postgres resuelve cerca del 80% de las búsquedas reales sin retraso de sincronización; apenas entra una fila a la tabla, ya se puede buscar. Antes de montar Elasticsearch, comprueba si de verdad estás en ese 20% complejo.
Con métricas y telemetría la historia es aún más curiosa. La mayoría descubre TimescaleDB (desarrollado por TigerData) después de haber configurado InfluxDB o Amazon Timestream; por eso mismo InfluxDB terminó en esta lista.
Banner oficial de TimescaleDB por TigerData, extensión de PostgreSQL para series temporales y analítica (Fuente: tigerdata.com)
TimescaleDB es una extensión sobre PostgreSQL. Convierte una tabla de métricas en una hipertabla: los datos se particionan automáticamente por intervalos de tiempo, los bloques antiguos se comprimen y, en lugar de reportes manuales con cron, funcionan los continuous aggregates (agregados continuos: resúmenes precalculados que en segundo plano solo recalculan los tramos recientes).
-- Convertimos la tabla de métricas en hipertabla por tiempo
SELECT create_hypertable('metrics', by_range('ts'));
Una línea de SQL y obtienes particionado automático sin aprender Flux ni InfluxQL y sin sumar otro manual de guardia para el equipo. Un detalle menor para TimescaleDB 2.13+: si necesitas combinar datos frescos al vuelo (real-time aggregation), conviene revisar explícitamente que esté habilitado en tus agregados continuos.
Eventos y colas de tareas: LISTEN/NOTIFY, SKIP LOCKED y pg-boss en lugar de Redis
Muchos meten Redis al segundo día para colas ligeras y difusión de eventos sin siquiera medir cómo responde Postgres.
Para avisos rápidos, PostgreSQL trae integrado LISTEN/NOTIFY: un proceso envía una señal a un canal y los suscriptores la reciben. Eso sí, la documentación marca dos límites duros: el payload está topado en 8,000 bytes y los mensajes no se guardan si el suscriptor se desconecta. Por eso en NOTIFY solo se envía el ID de la fila y los datos completos se leen desde la tabla.
Para colas duraderas (durable), funciona FOR UPDATE SKIP LOCKED. Varios workers procesan la misma tabla en paralelo: cada uno bloquea la primera tarea libre y se salta las filas ya tomadas por otros sin quedarse esperando.
-- Un worker toma una tarea libre sin carreras ni bloqueos
SELECT id, payload
FROM jobs
WHERE status = 'pending'
ORDER BY created_at
FOR UPDATE SKIP LOCKED
LIMIT 1;
Tampoco hace falta reinventar reintentos ni temporizadores: para Node.js existe pg-boss, una cola lista para producción basada en transacciones de PostgreSQL y SKIP LOCKED, con tareas diferidas, reintentos y singletons.
Sin caer en fanatismos: Postgres no reemplaza a Redis para caché caliente por debajo del milisegundo bajo carga alta ni para limitadores distribuidos de decenas de miles de peticiones por segundo. Simplemente mide primero en Postgres antes de levantar un servicio extra.
Dónde termina el «Postgres único»: mapa honesto de límites
Un solo clúster ahorra tiempo al equipo y elimina desincronizaciones mientras la carga no choque contra un techo físico. Conviene sacar un módulo a otra base de datos justo cuando las mediciones lo demuestran.
| Tarea | Base separada | Solución en PostgreSQL | Cuándo sí hace falta otra base |
|---|---|---|---|
| Documentos JSON | MongoDB | JSONB + GIN | Escritura masiva de documentos enormes poco relacionados con sharding nativo |
| Vectores y RAG | Pinecone / Chroma | pgvector (HNSW / IVFFlat) | Cientos de millones o miles de millones de vectores donde HNSW ya no cabe en RAM |
| Búsqueda de texto | Elasticsearch | tsvector + pg_trgm + GIN | Analítica facetada compleja, morfología a medida en decenas de idiomas, terabytes de logs |
| Series temporales | InfluxDB / Timestream | TimescaleDB (hipertablas) | Telemetría ultradensa que conviene aislar de la base OLTP principal |
| Colas y eventos | Redis / brokers | LISTEN/NOTIFY, SKIP LOCKED, pg-boss | Caché < 1 ms o decenas de miles de mensajes/s donde VACUUM y MVCC ahogan la base |
El último punto es el límite real más común. En Postgres opera MVCC (control de concurrencia multiversión: actualizar o borrar no elimina el dato al instante, sino que marca versiones viejas para que VACUUM las limpie en segundo plano). Mientras por la tabla jobs pasan cientos de tareas por segundo, la base ni lo nota. Cuando el flujo sube a decenas de miles de eventos por segundo, la reescritura constante infla la tabla y el autovacuum empieza a competir por disco con las consultas principales; ese es el momento exacto para pasar a Kafka, RabbitMQ o Redis.

