Busqueda Semantica: qué es
Buscar por significado, no por keywords. coche barato encuentra vehiculo economico.
Definición rápida
Buscar por significado, no por keywords. coche barato encuentra vehiculo economico.
En este término
Que es Busqueda Semantica?
Busqueda Semantica es pieza clave cuando integras un LLM en Node.js y quieres que sea barato, rapido y sin alucinar. No es teoria: es el parametro que decide si tu RAG acierta o inventa.
Como funciona
Piensa en Busqueda Semantica como un Lego. Solo cobra sentido con RAG + embeddings + tu API. Por separado es definicion, junto es producto.
// Patron aplicable a Busqueda Semantica
const params = {
model: 'gpt-4o-mini',
messages: [{ role: 'system', content: 'Eres asistente tecnico conciso.' }, { role: 'user', content: 'Explica semantic-search con ejemplo' }],
temperature: 0.2
};
console.log('Tip: combina con', 'embeddings, vector-database');
Cuando usarlo
- Producto: datos frescos o acciones -> necesitas este bloque.
- Coste: optimizar semantic-search baja tokens sin cambiar modelo.
- Calidad: sin esto, el LLM olvida contexto a los 4k tokens.
Errores comunes
- Confundirlo con sinonimo cercano y aplicar patron equivocado.
- No medir recall/latencia.
- Copiar config sin ajustar chunk size / temperature a tu corpus.
Buenas practicas
- 1 query, 1 metrica (cita fuente correcta?).
- Versiona prompts en git.
- Loguea tokens; en francobosg bajar k=10->5 ahorro 42% con igual precision.
Se relaciona con
embeddings, vector-database, retrieval. Entender el grafo evita mezclar RAG con fine-tuning o context window con tokens.
Duda sobre Busqueda Semantica? Escribeme por LinkedIn.
Preguntas frecuentes
Reemplaza keyword?
No. Hybrid BM25+vector supera ambas.
Términos relacionados
Embeddings
Vectores numericos que representan el significado de un texto; textos similares quedan cerca en el espacio.
Retrieval
Etapa de RAG donde buscas los k docs mas relevantes para el query.
Vector Database
Base de datos optimizada para guardar embeddings y buscar por similitud en milisegundos.
Chunking
Dividir documentos largos en trozos 300-800 tokens para embedear sin perder contexto.