≡En resumen
- Un embedding convierte un contenido en un vector de números que representa su significado.
- Dos textos con significado parecido producen vectores cercanos, aunque no compartan palabras.
- Son la pieza que hace posible la búsqueda semántica y la recuperación de información en RAG.
- Anthropic no ofrece modelo de embeddings propio; para usarlos con Claude se recurre a proveedores especializados.
- Elegir bien el modelo, la dimensión y la forma de trocear los textos marca la calidad del sistema.
01 ¿Qué son los embeddings?
Los ordenadores no entienden palabras, entienden números. Un embedding es la forma de traducir un contenido (una frase, un párrafo, una ficha de producto, incluso una imagen) a una lista de números, un vector, de manera que esa lista capture su significado.
La clave está en cómo se construye ese vector: un modelo entrenado para ello coloca los contenidos parecidos cerca unos de otros. «¿Cómo devuelvo un pedido?» y «política de reembolsos» acaban próximos, mientras que «receta de paella» queda lejos. Comparando distancias, un programa puede saber qué textos hablan de lo mismo.
02 Cómo funcionan los embeddings
Los embeddings los genera un modelo de embeddings, un tipo de red neuronal emparentada con los LLM, pero entrenada con otro objetivo: que los textos relacionados produzcan vectores cercanos. El proceso empieza igual que en un LLM, con la tokenización del texto, y termina con un único vector por fragmento.
-
1
Entrada
Envías un texto (o una imagen, en modelos multimodales) al modelo de embeddings.
-
2
Tokenización
El texto se divide en tokens que el modelo sabe procesar.
-
3
Codificación
La red neuronal procesa los tokens teniendo en cuenta el contexto de cada uno.
-
4
Vector de salida
Obtienes una lista de números de longitud fija, por ejemplo 1.024 valores.
-
5
Almacenamiento
Guardas ese vector junto al texto original para buscarlo más adelante.
03 De los vectores de palabras a los embeddings actuales
La idea de representar palabras como vectores no es nueva, pero ha cambiado mucho en una década. Los primeros modelos asignaban un único vector a cada palabra, sin importar la frase. Los actuales generan un vector para todo un fragmento teniendo en cuenta el contexto, de modo que «banco» no es lo mismo en «sentarse en un banco» que en «abrir una cuenta en el banco».
| Etapa | Ejemplo | Qué aportó |
|---|---|---|
| Vectores de palabras | word2vec (Google, 2013) | Relaciones de significado entre palabras aisladas |
| Embeddings contextuales | Modelos tipo Transformer como BERT (2018) | El vector de una palabra depende de la frase en la que aparece |
| Embeddings de frases y documentos | Modelos entrenados para recuperación | Un vector por fragmento, optimizado para buscar |
| Multilingües y multimodales | Modelos actuales de texto, código, imagen y vídeo | Comparar contenidos entre idiomas y formatos distintos |
04 Cómo se mide la similitud entre embeddings
Una vez tienes vectores, necesitas una forma de decir cuánto se parecen. Hay tres medidas habituales, y en muchos modelos modernos dan el mismo orden de resultados.
| Medida | Qué calcula | Cuándo usarla |
|---|---|---|
| Similitud del coseno | El ángulo entre dos vectores, sin importar su longitud | La opción por defecto para texto |
| Producto escalar | La proyección de un vector sobre otro | Más rápida; equivale al coseno si los vectores están normalizados |
| Distancia euclídea | La distancia en línea recta entre dos puntos | Agrupaciones y algunos índices vectoriales |
Según la documentación de Claude, los embeddings de Voyage AI están normalizados a longitud 1, de modo que el coseno y el producto escalar son equivalentes y la distancia euclídea produce la misma clasificación.
05 Para qué sirven los embeddings
Búsqueda semántica
Encontrar documentos por significado: la pregunta «no me llega el paquete» encuentra la página de incidencias de envío.
RAG
Recuperar los fragmentos relevantes de tu documentación para que un modelo responda con ellos.
Recomendaciones
Sugerir productos, artículos o vídeos parecidos a los que ya interesan al usuario.
Clasificación y agrupación
Agrupar opiniones, tickets o correos por tema sin etiquetarlos a mano.
Detección de duplicados
Localizar fichas, preguntas o contenidos casi idénticos.
Detección de anomalías
Encontrar textos que se salen del patrón, como reclamaciones atípicas.
El uso más extendido hoy es la generación aumentada por recuperación: los embeddings permiten encontrar en segundos, entre miles de documentos, los párrafos que necesita el modelo para responder.
06 Dónde se guardan: bases de datos vectoriales
Comparar una pregunta con millones de vectores uno a uno sería lento. Las bases de datos vectoriales usan índices especiales para encontrar los vectores más cercanos en milisegundos, a cambio de una precisión casi perfecta en lugar de exacta.
| Tipo | Ejemplos | Cuándo encaja |
|---|---|---|
| Extensión de tu base de datos | pgvector para PostgreSQL, búsqueda vectorial de MongoDB Atlas | Ya usas esa base de datos y el volumen es moderado |
| Base vectorial dedicada | Pinecone, Qdrant, Weaviate, Milvus | Grandes volúmenes, filtros complejos y alta concurrencia |
| Motor de búsqueda con vectores | Elasticsearch, OpenSearch | Quieres combinar búsqueda por palabras y semántica |
| Librería local | Chroma, FAISS | Prototipos y proyectos pequeños |
07 Embeddings con Claude
Claude genera y entiende texto, pero no devuelve embeddings. La documentación oficial lo dice expresamente: Anthropic no ofrece un modelo de embeddings propio, y presenta Voyage AI, de MongoDB, como un proveedor con una amplia gama de modelos (generales, multilingües, de código, por dominio y multimodales), aunque recomienda evaluar varios proveedores. El flujo típico combina ambos.
-
1
Indexa con un modelo de embeddings
Generas los vectores de tus documentos con el proveedor elegido y los guardas en tu base vectorial.
-
2
Recupera al preguntar
Conviertes la pregunta del usuario en vector y buscas los fragmentos más cercanos.
-
3
Responde con Claude
Envías a Claude la pregunta y los fragmentos recuperados, pidiéndole que cite la fuente.
- ✓Elige un modelo multilingüe si tus documentos o tus usuarios están en español.
- ✓Prueba dimensiones más pequeñas si el almacenamiento o la velocidad son críticos.
- ✓Valora la cuantización (por ejemplo a enteros de 8 bits) para reducir el espacio ocupado.
- ✓Usa siempre el mismo modelo para indexar y para consultar.
- ✓Vuelve a generar los vectores si cambias de modelo: no son compatibles entre modelos.
08 Embeddings en proyectos web y de negocio
Para una empresa, los embeddings son el motor invisible de funciones muy visibles: el buscador de una tienda que entiende lo que el cliente quiere decir, el asistente que responde con tu documentación o el panel que agrupa miles de reseñas por tema. La misma idea de significado frente a palabra exacta está detrás del SEO semántico.
Un cliente escribe «zapatillas para correr por montaña con lluvia». Un buscador por palabras exactas solo encuentra productos con esas palabras en el título. Con embeddings, el buscador encuentra también las «zapatillas de trail impermeables», porque su significado es cercano.
Integrar búsqueda semántica en una plataforma es un trabajo típico de una empresa de desarrollo web; conectarla a un asistente con IA es lo que hacemos como agencia de IA. Si prefieres explorar herramientas por tu cuenta, revisa nuestro listado de herramientas para trabajar con Claude.
Preguntas frecuentes sobre Embeddings
Es un vector de números que representa el significado de un contenido, de forma que contenidos parecidos tienen vectores cercanos y se pueden comparar matemáticamente.
Para búsqueda semántica, sistemas RAG, recomendaciones, agrupación de textos por tema, detección de duplicados y detección de anomalías, entre otros usos.
No. Anthropic no ofrece un modelo de embeddings propio; su documentación presenta Voyage AI como opción y recomienda comparar varios proveedores.
Es una base de datos optimizada para guardar embeddings y encontrar rápidamente los vectores más parecidos a uno dado.
Depende del modelo. Más dimensiones suelen captar más matices, pero ocupan más espacio; muchos modelos actuales permiten elegir entre varias longitudes.
Un token es un fragmento de texto que el modelo procesa; un embedding es un vector numérico que representa el significado de un token, una frase o un documento completo.
No. Cada modelo genera su propio espacio de vectores, así que la consulta y los documentos deben generarse con el mismo modelo.
Fuentes consultadas
Sobre el autor
Germán Gutiérrez
Development Manager en appyweb
Dirige el equipo de desarrollo de appyweb: aplicaciones web y móviles, SaaS, integraciones y arquitectura de software.
Ver perfil en LinkedIn ↗