Buscar por significado, no por letras
Un buscador antiguo solo encuentra la palabra exacta: si escribes 'factura', no te muestra el párrafo que dice 'comprobante de cobro'. La búsqueda semántica entiende de qué trata el texto y encuentra lo relacionado aunque use otras palabras. Para eso existen los embeddings: cada pedazo de texto se convierte en una lista larga de números (una 'huella de significado'). Textos con sentido parecido terminan con huellas parecidas.
No necesitas calcular nada de esto. Como vibe coder, lo que decides es qué documento fragmentar, de qué tamaño hacer los pedazos y cuántos resultados mostrarle a la IA. Los embeddings y el mapa los pone la herramienta; el criterio del contenido es tuyo.
Un cliente escribe "¿me pueden dar un comprobante de lo que pagó?". ¿Por qué la búsqueda semántica encuentra el párrafo titulado "Facturación" aunque no dice "comprobante"?
Un embedding convierte un texto en una lista de números que representa su significado, no la cantidad de palabras.
Un equipo describe su buscador interno. Una línea revela que aún usa solo palabras exactas. Márcala.
- Encontramos el documento si el usuario escribe el término tal cual aparece.
- También arrojamos resultados aunque el usuario use sinónimos.
- Agrupamos fragmentos por cercanía de significado entre sí.
Identifica la linea con error.
Toma dos formas distintas de preguntar lo mismo sobre tu negocio (una con palabras muy diferentes). Explica en una línea por qué la búsqueda por palabras exactas fallaría y la semántica acertaría.
Pista
Usa un sinónimo o una pregunta vs. un título de documento.Siguiente paso: El pipeline RAG — unimos fragmentación, embeddings, búsqueda y respuesta con fuente en una sola cadena.
Sigue: Por qué una IA alucina y cómo RAG lo reduce
Objeto de la misma ruta para continuar aprendiendo.
Sigue: El pipeline RAG: del documento a la respuesta con fuente
Objeto de la misma ruta para continuar aprendiendo.