Embeddings y búsqueda vectorial
Un embedding convierte un fragmento de texto en una lista de números (un vector) que captura su significado. Los textos con significado similar obtienen vectores que quedan cerca unos de otros — aunque no compartan ninguna palabra. Ese es el truco detrás de la búsqueda semántica y de RAG.
La intuición
Imagina cada frase colocada como un punto en un enorme espacio multidimensional, dispuesto de modo que los significados similares queden cerca unos de otros. "¿Cómo restablezco mi contraseña?" cae cerca de "Olvidé mi inicio de sesión", lejos de "la mejor pizza de Roma".
Búsqueda semántica vs. por palabras clave
- La búsqueda por palabras clave coincide con palabras literales ("contraseña" encuentra "contraseña").
- La búsqueda semántica coincide con el significado — "no puedo iniciar sesión" encuentra el documento de restablecimiento de contraseña incluso sin la palabra "contraseña".
Los mejores resultados a menudo combinan ambas (búsqueda híbrida).
Cómo funciona una búsqueda vectorial
- Embebe tus documentos (normalmente divididos en fragmentos) y almacena los vectores en una base de datos vectorial.
- En el momento de la consulta, embebe la consulta.
- Encuentra los vectores más cercanos (por similitud / distancia del coseno).
- Devuelve esos fragmentos — normalmente para alimentar RAG.
Notas prácticas
- El fragmentado importa. Demasiado grande = coincidencias ruidosas; demasiado pequeño = contexto perdido. Ajústalo.
- Usa un mismo modelo de embeddings de forma consistente — los vectores de modelos distintos no son comparables.
- Los metadatos + filtros (fecha, fuente, tipo) hacen que la recuperación sea mucho más precisa.
- Una base de datos vectorial no siempre es necesaria — para corpus pequeños, una simple búsqueda en memoria es suficiente.