Reescritura de consultas
La reescritura de consultas (query rewriting) cambia la pregunta de un usuario antes de la búsqueda, por ejemplo aclarándola, dividiéndola o añadiendo términos relacionados, para que el recuperador tenga más probabilidades de encontrar los pasajes que la responden.
También llamado: query expansion, HyDE, query transformation
Por Divya Sharma · Comprobado el 15 nov 2026 · Cómo hacemos las reseñas
La gente escribe preguntas cortas, vagas o coloquiales. "¿Y el otro?" no significa nada para un índice de búsqueda sin la conversación previa. En la generación aumentada por recuperación, un paso de reescritura, normalmente una llamada a un LLM, convierte la entrada original en una o varias consultas de búsqueda mejores.
Técnicas habituales
Reescritura: reformular la pregunta como una consulta independiente, resolviendo los pronombres a partir del historial del chat. Expansión de consultas: añadir sinónimos o términos relacionados, lo que ayuda a la búsqueda por palabras clave como BM25. Descomposición: dividir una pregunta con varias partes en subconsultas y buscar cada una. Multiconsulta: generar varias formulaciones y combinar los resultados, como en la búsqueda híbrida.
HyDE
Hypothetical Document Embeddings (HyDE) pide a un LLM que escriba una respuesta inventada a la pregunta, y luego convierte esa respuesta en embedding y busca con ella. La respuesta inventada puede contener detalles erróneos, pero se parece a los documentos que buscas, así que su embedding suele quedar más cerca de ellos que el de la pregunta corta.
Base de investigación
El artículo Rewrite-Retrieve-Read planteó el problema como una brecha entre lo que escriben los usuarios y lo que necesita la recuperación, y entrenó para ello un pequeño modelo reescritor.
Límites
Cada reescritura añade una llamada a un LLM, así que suben la latencia y el coste. Una reescritura puede alejarse de lo que quería decir el usuario. Registra tanto la consulta original como la reescrita, y comprueba que la reescritura mejora de verdad las métricas de recuperación con tus datos. Hacer esto dentro de un bucle es una forma de agentic RAG.
Términos relacionados
- Generación aumentada por recuperación
- La generación aumentada por recuperación (RAG, retrieval-augmented generation) es un patrón en el que un sistema busca primero en una colección de documentos los pasajes relevantes para una pregunta y luego se los da a un modelo de lenguaje para que su respuesta se base en ellos.
- Búsqueda híbrida
- La búsqueda híbrida (hybrid search) ejecuta una búsqueda por palabras clave y una búsqueda vectorial con la misma consulta y fusiona las dos listas ordenadas, para que los resultados coincidan tanto en las palabras exactas como en el significado.
- RAG agéntico
- El RAG agéntico es una generación aumentada por recuperación dirigida por un agente de IA que decide cuándo buscar, qué buscar y qué fuente usar, y puede volver a buscar si los primeros resultados se quedan cortos.
- Embedding
- Un embedding (vector de representación) es una lista de números (un vector) que representa un fragmento de texto, una imagen u otros datos, generada de forma que los elementos con significado parecido acaban con vectores cercanos entre sí.
- Métricas de recuperación (recall@k, nDCG, MRR)
- Las métricas de recuperación puntúan lo bien que un sistema de búsqueda devuelve documentos relevantes. Recall@k comprueba cuántos elementos relevantes aparecen entre los k primeros, nDCG premia que estén bien arriba y MRR mide lo pronto que aparece el primero correcto.