Embeddings

Un modelo de embeddings — distinto del LLM, aunque a menudo del mismo proveedor — toma un fragmento de texto y devuelve un vector de 768, 1024, 1536 o más dimensiones. La magia es que ese vector captura el sentido: "restaurante" y "bistró" quedan cerca; "restaurante" y "lavadora" quedan lejos. Eso permite hacer búsqueda semántica, no solo búsqueda por palabras. Los embeddings son la pieza fundacional del RAG y de muchos otros sistemas: búsqueda interna ("encuentra contenido parecido a este"), clustering (agrupar tickets de soporte por tema), detección de duplicados (¿estos dos posts dicen lo mismo?), recomendación ("usuarios que leyeron X también leyeron Y") y clasificación zero-shot. Lo bonito: una vez generados, están bajo tu control en una base de datos, no dependen de seguir llamando al modelo. Decisiones operativas que importan: qué modelo de embeddings (OpenAI text-embedding-3, Gemini text-embedding-004, Voyage, Cohere — cambia precio y calidad), qué tamaño de chunk (frases, párrafos, secciones), qué dimensiones (más dimensiones = más precisión + más coste de almacenamiento), y qué métrica de distancia (coseno suele ganar). Mezclar embeddings de modelos distintos en el mismo índice no funciona: hay que normalizar el pipeline.