Meilisearch vs Typesense: relevancia, latencia y arquitectura de búsqueda

Lupa sobre textura negra con iluminación tenue
Fotografía de Sasun Bughdaryan · Unsplash (licencia gratuita). Metáfora visual de búsqueda, consulta y relevancia. · Ver imagen original

Un buscador puede responder en pocos milisegundos y no encontrar el producto que el cliente quería. También puede devolver coincidencias razonables con demasiados resultados irrelevantes. Latencia y calidad de recuperación son dimensiones distintas. Decidir entre Meilisearch y Typesense mirando solo un gráfico de rendimiento —o una demo con tres nombres de productos— deja fuera las preguntas que determinan si el sistema será útil al crecer: ranking, idioma, filtros, frescura, permisos, ingestión y recuperación de errores.

Este artículo no elige un ganador universal. Propone un marco de evaluación y una arquitectura para que la búsqueda sea una proyección reconstruible sobre datos de negocio, no otro origen de verdad mantenido a mano. El estado de versiones revisado es Meilisearch v1.56.2 y Typesense v30.2 en el dossier original; el 16 de noviembre de 2026 Meilisearch publicó además v1.57.0. Ese cambio posterior se registra aquí como alerta de versión; no se atribuyen a v1.57.0 capacidades ni resultados de una prueba que no se ha ejecutado.

Ilustración conceptual de arquitectura de indexación para búsqueda: consulta, índice y resultados.
Ilustración conceptual original: síntesis visual del tema del artículo, no captura ni prueba ejecutada.

Qué problema resuelve un índice invertido

En una búsqueda tradicional como LIKE '%camisa%', la base de datos puede necesitar inspeccionar gran cantidad de texto. Un motor de búsqueda construye estructuras que conectan términos normalizados con documentos candidatos: término → postings/documentos. Sobre ese conjunto aplica reglas de coincidencia y orden: palabras exactas, prefijos, tolerancia a errores, proximidad de términos, atributos de ranking, filtros y facetas.

El mecanismo no equivale a «fuzzy score». Antes del ranking hay tokenización, normalización y decisiones sobre qué cuenta como palabra. USB-C, café, un código A-102 y un nombre propio pueden comportarse de forma diferente. Además, la recuperación léxica no es la única opción: ambos motores contemplan capacidades de búsqueda vectorial e híbrida, con compromisos adicionales de embeddings, modelo y costes.

Tampoco significa que SQL sea incapaz de buscar texto. PostgreSQL Full Text Search usa tsvector, tsquery e índices como GIN; SQLite FTS5 ofrece MATCH, prefijos, frases y ranking. Si esas capacidades satisfacen la experiencia requerida, añadir otro servidor puede ser una complicación innecesaria. El cambio de arquitectura se justifica por requisitos medidos de recuperación, facetas, typo tolerance o UX, no por una supuesta inferioridad absoluta de SQL.

La comparación empieza en un contrato de relevancia

Considera un catálogo ficticio de artículos en español e inglés. Una búsqueda de cafe debería plantear si queremos encontrar también café. usb c puede requerir USB-C, pero una tolerancia agresiva con números de modelo puede ser perjudicial. Para validar estas decisiones necesitamos un conjunto de consultas y juicios humanos sobre qué resultado es pertinente, no solo comprobar que hay una respuesta JSON.

Un pequeño catálogo conceptual podría contener registros como estos; son datos ficticios, no pedidos ni productos reales:

[
  {"id":"p-001","tenant_id":"t-1","name":"Café molido 250 g","brand":"Aroma","category":"bebidas","price":8900},
  {"id":"p-002","tenant_id":"t-1","name":"Cable USB-C 1 m","brand":"Link","category":"electrónica","price":4200},
  {"id":"p-003","tenant_id":"t-1","name":"Camisa de lino","brand":"Norte","category":"ropa","price":23000},
  {"id":"p-004","tenant_id":"t-2","name":"Camión de juguete","brand":"Rueda","category":"juguetes","price":15000}
]

El documento de otro tenant aparece para probar aislamiento, no para permitir búsquedas globales. Una API real no debe entregar registros ajenos por confiar en un filtro configurable desde el navegador.

Prepara al menos estas clases de consulta antes de comparar motores: coincidencia exacta, prefijo, error de uno o dos caracteres, acentos (cafe/café, camion/camión), plural/singular, guiones y códigos, nombres propios, sinónimos, filtros y facetas combinados, cambio reciente de precio, borrado, cero resultados y cargas concurrentes. El resultado de cada query se evalúa contra una lista razonada de documentos relevantes.

Meilisearch: ranking por reglas y tareas de indexación

Meilisearch expone un índice de documentos configurable. Sus ranking rules ordenan candidatos por criterios sucesivos; la tolerancia a errores y la coincidencia por prefijo participan en ese proceso según la consulta y configuración. El comportamiento no se resume en una única distancia de edición ni en una puntuación universalmente comparable con otros motores.

Las modificaciones del índice se procesan mediante tareas asíncronas. Un HTTP exitoso al aceptar documentos no demuestra que ya estén disponibles en búsqueda; el sistema que sincroniza debe seguir el estado de la tarea, detectar fallos y medir el retraso entre el cambio de la fuente y la visibilidad del resultado.

El siguiente ejemplo es una petición de búsqueda ilustrativa y presupone que el índice products fue creado, configurado e ingerido anteriormente. No incluye credenciales y no fue ejecutado:

POST /indexes/products/search HTTP/1.1
Host: search.example.invalid
Content-Type: application/json

{
  "q": "cafe molido",
  "limit": 10,
  "filter": "tenant_id = \"t-1\""
}

Los atributos por los que se filtra deben haberse declarado como filtrables; y el ejemplo no constituye por sí mismo un aislamiento multi-tenant seguro: el backend debe obtener el tenant de la identidad autenticada y mantener la clave privilegiada fuera de la interfaz web. Consulta las opciones de filtros y gestión de claves.

La documentación actual incluye búsqueda léxica, semántica e híbrida. Habilitar embeddings introduce variables nuevas: qué modelo se utiliza, cómo se transforma el documento, en qué idioma opera, cuándo se reindexa y cuánto cuesta. Una comparación honesta ejecuta primero un benchmark lexical con ambas configuraciones, y después un experimento separado para recuperación híbrida. Las ediciones y condiciones de licenciamiento deben revisarse por característica: el repositorio de Meilisearch declara licencias MIT y BUSL-1.1, no una licencia MIT universal para cada componente.

Typesense: esquema de colección, filtros y ranking configurable

Typesense construye colecciones con campos tipados y configura la búsqueda mediante parámetros como query_by, filter_by, sort_by y opciones de typo tolerance. Esto hace explícita una parte importante del contrato: qué campos participan en recuperación y de qué forma.

{
  "name": "products",
  "fields": [
    {"name": "name", "type": "string"},
    {"name": "brand", "type": "string"},
    {"name": "category", "type": "string", "facet": true},
    {"name": "price", "type": "int32", "sort": true},
    {"name": "tenant_id", "type": "string", "facet": true}
  ]
}

Ese JSON ilustra una definición de colección compatible con el modelo de la API de colecciones de Typesense. Para el ejemplo, documentos deben tener un campo id de cadena y valores de price enteros que quepan en int32. Antes de desplegar, valida la definición con la versión exacta del servidor.

Una consulta típica se expresa mediante parámetros de URL:

GET /collections/products/documents/search?q=cafe&query_by=name,brand&filter_by=tenant_id:=t-1&per_page=10

La sintaxis corresponde a un ejemplo ilustrativo, no a una búsqueda ejecutada. La clave de API debe gestionarse por el backend y una scoped search key, cuando se use para clientes, debe establecer restricciones de seguridad no ampliables por el consumidor. No delegues la autorización en que el frontend recuerde añadir filter_by. Referencias: Search y API Keys.

Typesense también documenta búsqueda vectorial e híbrida; las opciones de combinación de rankings dependen del modo y versión. No tiene sentido interpretar un valor de alpha de una búsqueda híbrida como si fuese equivalente a las ranking rules lexicales de Meilisearch. El servidor Typesense es GPL-3.0; sus clientes oficiales tienen condiciones distintas según repositorio y producto, por lo que el contrato comercial/licencia se revisa por componente.

Qué es realmente comparable

DimensiónMeilisearchTypesenseQué medir
Configuración lexicalReglas sucesivas de ranking y atributos configurablesCampos de búsqueda, relevancia y orden con parámetros de APIPrecision@k, NDCG@k, reformulaciones
Tolerancia a typosReglas y normalización propiasParámetros de búsqueda y reglas propiasErrores de 1–2 letras, falsos positivos
Prefijos/autocompleteSoportado con reglas propiasSoportado con parámetros propiosResultado relevante en cada pulsación
Facetas/filtrosConfiguración explícita de atributos filtrablesCampos facetables y filtros tipadosExactitud, latencia y cardinalidad
Búsqueda semántica/híbridaCapacidades documentadas; revisar edición/configuraciónCapacidades vectoriales/híbridas documentadasRecall, modelo, recursos y latencia por separado
IngestiónTareas asíncronas que deben monitorizarseAPI de importación/indexación con su semántica de respuestaTiempo hasta visibilidad, errores, reconstrucción
OperaciónBackups/snapshots, índices, versión, clavesPersistencia, HA según despliegue, claves, colecciónRTO/RPO, coste y recuperación real
LicenciasMIT + BUSL-1.1 según componentesGPL-3.0 para el servidor; clientes separadosRestricciones de edición y redistribución

La tabla no asigna calificaciones ni resultados. Una diferencia útil para un equipo puede ser irrelevante para otro si el verdadero cuello de botella está en la sincronización o la interfaz.

El índice de búsqueda no debería ser el origen de verdad

Un patrón robusto para productos y permisos es:

PostgreSQL (datos canónicos) → outbox/CDC/job de proyección → índice de búsqueda → API propia → interfaz.

El backend mantiene un contrato de sincronización: todos los cambios importantes, incluidos borrados y cambios de tenant o permisos, deben llegar al índice. Una ingesta inicial necesita un punto de corte y mecanismo para aplicar cambios posteriores sin perder operaciones. Si el índice falla, debe poder reconstruirse desde el origen.

Un patrón de transactional outbox en PostgreSQL hace que el cambio de negocio y el mensaje de proyección se registren en la misma transacción:

-- Esquema ilustrativo; el consumidor y la recuperación no están incluidos.
CREATE TABLE search_outbox (
    id bigint GENERATED ALWAYS AS IDENTITY PRIMARY KEY,
    entity_id text NOT NULL,
    operation text NOT NULL CHECK (operation IN ('upsert', 'delete')),
    payload jsonb,
    created_at timestamptz NOT NULL DEFAULT now(),
    processed_at timestamptz
);

BEGIN;

-- Cambio de negocio de ejemplo (suponiendo tabla products preexistente).
UPDATE products SET name = 'Café molido 250 g' WHERE id = 'p-001';

INSERT INTO search_outbox (entity_id, operation, payload)
VALUES ('p-001', 'upsert', '{"id":"p-001"}'::jsonb);

COMMIT;

El código presupone que products.id acepta esa cadena y que una fila existe. En producción se debe comprobar el UPDATE, usar una estrategia de eventos transaccionales coherente y enviar el documento actual desde el origen o desde un payload versionado. El outbox no transporta mágicamente el índice: hace falta un worker que lea entradas pendientes, reintente fallos, registre intentos, envíe cambios en orden por entidad y marque procesados de forma duradera. La entrega suele ser al menos una vez, por lo que las operaciones de proyección deben ser idempotentes. Un borrado debe eliminar o invalidar su documento, no solo dejar de actualizarlo.

Para controlar fallos difíciles se requieren reconciliación periódica, seguimiento de lag, reindexación con posibilidad de cambiar de índice sin cortar consultas, versionado de esquemas y mecanismos para elementos que no pueden procesarse. Un sistema de búsqueda vacío después de un reinicio no es solo una avería de Docker: puede convertirse en una ventana de desincronización que hay que observar y recuperar.

Aislamiento de tenant y seguridad de búsqueda

El riesgo más serio en un catálogo multiempresa no es un typo, sino recuperar un documento al que el usuario no tiene acceso. Un filtro controlado por el cliente no es una frontera de autorización. La identidad de la petición debe determinar qué valores se fuerzan desde el backend, qué campos se exponen en resultados y qué permisos atraviesan la proyección. Los cambios de ACL deben propagarse; en escenarios de permisos muy dinámicos puede ser necesario revalidar cada resultado frente al origen.

Las claves de administración e indexación no deben vivir en JavaScript público ni en repositorios. Incluso una clave de búsqueda restringida necesita revisión de alcance, expiración, cuota, logs y abuso. Además, la indexación de documentos puede exponer campos que antes solo se leían bajo filtros de autorización del DBMS; diseñar una lista explícita de campos indexables es más seguro que copiar indiscriminadamente la fila SQL.

Búsqueda mientras escribes: la UX también tiene un coste

search-as-you-type combina red, cancelación, orden de respuestas y accesibilidad. Un navegador puede recibir la respuesta de una consulta anterior después de una más reciente. Un patrón mínimo del lado cliente es cancelar la petición anterior y no renderizar resultados obsoletos:

let previousController;
let latestQueryId = 0;

async function searchProducts(term) {
  previousController?.abort();
  const controller = new AbortController();
  previousController = controller;
  const requestId = ++latestQueryId;

  try {
    const response = await fetch('/api/search?q=' + encodeURIComponent(term), {
      signal: controller.signal,
    });
    if (!response.ok) throw new Error('Search unavailable');
    const products = await response.json();
    if (requestId !== latestQueryId) return;
    renderResults(products); // Implementación de UI fuera de este ejemplo.
  } catch (error) {
    if (error?.name === 'AbortError') return;
    showSearchError(); // Implementación de UI fuera de este ejemplo.
  }
}

También necesitas debounce si buscas con cada cambio, navegación de teclado, estados de carga/error, roles accesibles y pruebas para el caso «sin resultados». La interfaz no debe tratar renderResults como una función real que existe en esta página: los helpers de este fragmento son puntos de integración ilustrativos, no una demo ejecutable completa.

Diseñar una evaluación que mida relevancia y rendimiento

Una evaluación reproducible debe incluir dataset ficticio con seed estable, versión exacta de motor y cliente, configuración de tokenizador y typo tolerance, filtros, idioma, recursos, warming, índices y estado de ingestión. Separa conjuntos de entrenamiento/ajuste del conjunto de evaluación cuando iteres sobre ranking. Obtén juicios de relevancia antes de medir y evita juzgar únicamente los primeros documentos que más te gustan.

  • Calidad: Precision@k, Recall@k y NDCG@k sobre un conjunto anotado; además de tasa de cero resultados y reformulaciones reales si hay telemetría consentida.
  • Servicio: latencia p50/p95/p99, throughput, concurrencia, CPU, RAM, tamaño de índice y tiempo de ingesta inicial.
  • Frescura: tiempo entre commit en origen y visibilidad en búsqueda; retardo de borrados y cambio de permisos.
  • Resiliencia: restauración desde backup, reconstrucción del índice, reconciliación de inconsistencias y disponibilidad durante reindexación.

La comparación lexical básica debe congelar corpus, consultas y juicios de relevancia; la búsqueda vectorial necesita otro experimento, con embeddings, dimensión, modelo, normalización y parámetros anotados. Comparar un motor híbrido contra otro puramente lexical sin controlar ese factor no permite deducir qué software «es mejor».

No se ejecutó ningún benchmark en esta investigación ni durante esta implementación. No hay aquí valores p95, velocidad de indexación, resultados de ranking ni ganador cuantitativo. Los procedimientos propuestos requieren servidores y un corpus de evaluación que aún no se han preparado.

La decisión de ingeniería

Si tu base relacional ya satisface las consultas, empieza ahí: índices, planner y búsqueda en PostgreSQL. Si el producto requiere resultados textuales relevantes, typo tolerance, facetas y una UX de búsqueda dedicada, Meilisearch y Typesense son candidatos razonables. La evaluación debe decidir cuál ofrece mejor relevancia y operabilidad para el corpus y las restricciones concretas, no cuál genera una animación de demo más convincente.

El sistema final no se limita al buscador: incluye autorización, proyección, sincronización y recuperación. La ganancia técnica no está en acumular servicios, sino en que cada uno tenga una responsabilidad clara y un mecanismo verificable para corregir divergencias.

Referencias principales: Meilisearch docs, Meilisearch releases, Typesense 30.2 API, PostgreSQL Full Text Search, SQLite FTS5.