Saltar al contenido

Búsqueda semántica

Forma de búsqueda que encuentra resultados por significado y no por coincidencia exacta de palabras. Usa embeddings para entender la intención, de modo que 'darme de baja' y 'cancelar suscripción' devuelven lo mismo.

Actualizado: 13 de julio de 2026.

La búsqueda tradicional empareja palabras; la semántica empareja conceptos. Convierte la consulta y los documentos en embeddings y compara su cercanía, capturando sinónimos y paráfrasis.

Cómo funciona

  1. Indexar documentos como vectores en una base de datos vectorial.
  2. Vectorizar la consulta.
  3. Recuperar los vectores más cercanos.
  4. Opcionalmente, aplicar re-ranking sobre los candidatos para ordenar mejor los resultados.

Por qué importa

Es una de las técnicas más usadas en buscadores internos y en el paso de recuperación de RAG. La guía qué es RAG y cómo mejora la búsqueda de contenidos muestra cómo esos resultados se convierten en una respuesta fundamentada.

Aprende Búsqueda semántica con una ruta guiada

Si quieres aplicar este concepto con proyectos y criterio, estas son las páginas de Aulas de IA para continuar.

Términos relacionados

Incrustación vectorial (embedding)Una incrustación vectorial o embedding es una representación numérica de un texto, imagen, audio u otro dato que conserva relaciones de significado. Un modelo convierte cada elemento en un vector; los vectores semánticamente parecidos quedan próximos en el espacio matemático. Esa propiedad permite buscar por significado, recomendar contenido, agrupar ejemplos y recuperar contexto para sistemas RAG sin depender solo de palabras exactas.Base de datos vectorial: qué es y cómo funcionaUna base de datos vectorial es un sistema que almacena embeddings junto con identificadores y metadatos, construye un índice para buscar vecinos cercanos y devuelve elementos semánticamente similares a un vector de consulta. Puede ser un producto especializado o una capacidad añadida a un buscador o base tradicional; guardar vectores no basta sin estrategia de recuperación, filtros y evaluación.RAG (generación aumentada por recuperación)RAG es una arquitectura de inteligencia artificial que recupera información relevante desde documentos, bases de datos u otras fuentes externas y la añade al contexto de un modelo de lenguaje antes de generar una respuesta. Permite trabajar con conocimiento privado o reciente sin reentrenar los pesos del modelo.Re-ranking: qué es y cómo funciona en RAGEl re-ranking, también escrito reranking o re ranking, es la segunda etapa de un sistema de búsqueda: recibe una lista corta de documentos recuperados y vuelve a puntuarlos con un modelo más preciso para colocar primero los más relevantes. En RAG suele combinar una recuperación rápida con embeddings o palabras clave y un reordenador más costoso antes de entregar contexto al LLM.Clustering (agrupamiento): qué es y cómo funcionaEl clustering, también llamado agrupamiento o clusterización, es una técnica de aprendizaje no supervisado que reúne datos parecidos en grupos sin etiquetas previas. Sirve para segmentar clientes, organizar documentos o agrupar palabras y búsquedas por significado, y para descubrir patrones que nadie había definido de antemano en un conjunto de datos.
Ayuda y soporte