Un embedding es un vector: una lista ordenada de números. Para entender por qué eso captura significado, hay que imaginar el espacio donde viven esos vectores.
Imagina un mapa donde cada texto es un punto. Cosas con significado parecido quedan cerca; distintas, lejos. La diferencia con un mapa de papel es la cantidad de dimensiones: no 2, sino cientos o miles. Cada número del vector es una coordenada en una dimensión. No podemos visualizar 1536 dimensiones, pero la regla se mantiene: posición ≈ significado.
Lo notable es que las relaciones se vuelven aritmética de direcciones. El ejemplo clásico:
vec(rey) − vec(hombre) + vec(mujer) ≈ vec(reina)Funciona porque en el espacio hay “direcciones” que corresponden a conceptos —género, realeza, tiempo verbal— aprendidas a partir de los datos.
Para saber si dos vectores están “cerca” no se suele usar distancia en línea recta, sino la similitud coseno: el ángulo entre ellos.
Se usa el ángulo y no la magnitud porque lo que importa es hacia dónde apunta el significado, no cuán “largo” es el vector.
Buscar “los textos más parecidos a esta consulta” se convierte en “los vectores con mayor similitud coseno respecto al vector de la consulta”. Hacer eso rápido sobre millones de vectores es justamente el trabajo de las bases de datos vectoriales, y el motor de la búsqueda semántica y el RAG.
El vector es la forma de un embedding. Su aplicación directa está en Recuperación de conocimiento.