Saltar al contenido
ReviewRamble

El boletín semanal

La IA, analizada, en tu bandeja de entrada.

  • Nuevas reseñas de herramientas, modelos, servidores MCP y repos, con el veredicto por delante
  • Precios y valoraciones revisados cuando algo cambia
  • Nuevos análisis en cuanto se publican

Modelos, agentes, servidores MCP y las herramientas que de verdad merecen tu tiempo.

Un correo a la semana. Date de baja con el enlace de cualquier boletín. Cómo usamos tu correo

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.

Fuentes