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

Búsqueda vectorial

La búsqueda vectorial (vector search) encuentra elementos comparando sus embeddings con el embedding de una consulta y devolviendo los más cercanos, de modo que los resultados coinciden por significado y no por palabras clave compartidas.

También llamado: semantic search, similarity search, dense retrieval

Por Divya Sharma · Comprobado el 15 nov 2026 · Cómo hacemos las reseñas

La búsqueda por palabras clave encuentra documentos que contienen las palabras que escribiste. La búsqueda vectorial encuentra documentos cuyos embeddings están cerca del embedding de la consulta, así que "el coche no arranca" puede coincidir con una página titulada "Solución de problemas con una batería descargada". La cercanía se mide con similitud coseno, producto escalar o distancia euclídea.

Dense retrieval

Dense retrieval (recuperación densa) es el nombre que da a la misma idea el campo de la recuperación de información: las consultas y los pasajes se codifican cada uno en vectores densos, y la recuperación es una búsqueda de vecinos más cercanos. El término se contrapone a la recuperación dispersa como BM25, en la que la mayoría de las entradas del vector son cero y cada una representa una palabra. Un artículo de 2020 sobre dense passage retrieval mostró que este enfoque, entrenado con pares de pregunta y pasaje, podía superar a una base de referencia BM25 sólida en preguntas y respuestas de dominio abierto.

Cómo funciona a escala

Comparar una consulta con cada vector guardado es exacto pero lento. Los sistemas en producción usan índices de vecinos más cercanos aproximados como HNSW, normalmente dentro de una base de datos vectorial.

Límites

La búsqueda vectorial puede pasar por alto coincidencias exactas de nombres, códigos de error y términos raros, y siempre devuelve algo aunque no exista nada relevante. Muchos equipos la combinan con búsqueda por palabras clave en una búsqueda híbrida y después aplican reranking.

Términos relacionados

Búsqueda de vecinos más cercanos aproximada
La búsqueda de vecinos más cercanos aproximada (ANN, approximate nearest neighbor) encuentra vectores cercanos a una consulta sin revisar todos los vectores guardados. Renuncia a garantizar la mejor coincidencia exacta a cambio de una búsqueda mucho más rápida en colecciones grandes.
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.
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.
Base de datos vectorial
Una base de datos vectorial (vector database) guarda embeddings junto a sus registros de origen y encuentra los vectores guardados más cercanos a un vector de consulta, normalmente con un índice aproximado para que la búsqueda siga siendo rápida con millones de elementos.
BM25
BM25 es una fórmula de ordenación para la búsqueda por palabras clave. Puntúa cada documento según con qué frecuencia aparecen en él las palabras de la consulta, dando más peso a las palabras raras y menos mérito a los documentos largos y a los términos repetidos.

Fuentes