Búsqueda semántica

La búsqueda tradicional (keyword) encuentra documentos que contienen las mismas palabras que tu consulta. La búsqueda semántica encuentra documentos que significan lo mismo, aunque no compartan ni una palabra. “Cómo cancelo mi plan” encuentra “dar de baja la suscripción”.

Cómo funciona

Se apoya en embeddings y en la similitud coseno entre vectores:

1. Indexado (una vez): conviertes cada documento a su vector y lo guardas.
2. Consulta (cada búsqueda): conviertes la consulta al mismo espacio vectorial.
3. Ranking: devuelves los documentos cuyo vector tenga mayor similitud coseno con el de la consulta (los k vecinos más cercanos).

query  → embed → [ ... ]
                    │  similitud coseno contra el índice
                    ▼
   doc_42 (0.89) · doc_7 (0.81) · doc_15 (0.79) · ...

Cuándo usarla

• Preguntas en lenguaje natural sobre una base de conocimiento.
• Sinónimos, paráfrasis o cuando el usuario no conoce la terminología exacta.
• Como primer paso de un pipeline de RAG.

Cuándo NO (o no sola)

• Búsquedas por identificadores exactos (SKU, código de error, nombre de función): ahí gana keyword. Muchas veces lo mejor es híbrido: combinar keyword + semántica y fusionar rankings.
• Cuando necesitas filtros estrictos (fecha, permisos): combina la búsqueda vectorial con filtros de metadatos.

Errores comunes

• Trozos (chunks) mal cortados: si indexas documentos enormes de una pieza, el vector “promedia” demasiados temas y pierde precisión. Trocea con sentido.
• Modelo de embedding distinto entre indexado y consulta: el ranking se vuelve ruido.

Temas relacionados

Es la pieza de recuperación en la que se apoya el RAG, y se ejecuta sobre una base de datos vectorial.