Búsqueda vectorial con un vector store
Recuperar los pasajes más relevantes
Búsqueda vectorial con un vector store es una lección gratuita de NLP Academy en CoddyKit. Esta es la lección 3 de 4. Puedes leer la lección completa abajo gratuitamente — luego la practicas en el navegador con un editor de código integrado y un tutor de IA 24/7. Forma parte de la ruta de aprendizaje de NLP Academy, y tu progreso se sincroniza en la web y la app de CoddyKit. El curso de NLP Academy incluye 4 lecciones en total.
Qué hace un almacén de vectores
Un almacén de vectores contiene los embeddings de sus chunks y encuentra rápidamente los más cercanos a una consulta, incluso entre millones de vectores.
Búsqueda por similitud
En lugar de comparar palabras clave, compara el significado. El almacén devuelve los chunks cuyos vectores están más cerca del vector de la consulta.
Similitud del coseno
La medida de distancia más habitual es la similitud del coseno. Compara el ángulo entre dos vectores, de modo que una mayor cercanía semántica obtiene una puntuación más alta.
Incorpore la consulta de la misma forma
La pregunta debe usar el mismo modelo que sus chunks. Los embeddings incompatibles viven en espacios distintos y no se pueden comparar.
query_vec = model.encode(["How do I reset my password?"])Recuperación top-k
Rara vez querrá todas las coincidencias. Pida al almacén los top-k chunks más cercanos, donde k sea un número pequeño, como 3 o 5.
Un almacén sencillo en memoria
Para conjuntos de datos pequeños, FAISS mantiene los vectores en memoria y realiza búsquedas en milisegundos. Cree un índice y después añada sus vectores.
import faiss
index = faiss.IndexFlatIP(384)
index.add(vectors)Ejecución de una búsqueda
Llame a search con el vector de la consulta y k. Devuelve las puntuaciones y los índices de los chunks que mejor coinciden.
scores, ids = index.search(query_vec, k=3)Asignación de los resultados al texto
El almacén le proporciona índices, no texto. Úselos para buscar los chunks originales que almacenó junto a los vectores.
hits = [chunks[i] for i in ids[0]]Bases de datos vectoriales persistentes
Para aplicaciones reales, una base de datos vectorial como Chroma o Pinecone almacena los vectores en disco, escala horizontalmente y sobrevive a los reinicios.
Filtrado con metadatos
Asocie etiquetas, como el autor o la fecha, a cada vector. Después podrá filtrar la búsqueda, por ejemplo, para obtener solo los chunks de un documento.
Por qué ayuda la búsqueda aproximada
La búsqueda exacta se vuelve lenta a gran escala. Los índices de vecinos más cercanos aproximados intercambian una mínima precisión por enormes mejoras de velocidad.
Comprobación rápida
Recuerde cómo encuentra un almacén de vectores los chunks relevantes.
Resumen
Un almacén de vectores incorpora la consulta, encuentra los chunks top-k más cercanos por similitud y vuelve a asignar los resultados al texto. ✅
Aprende Python con un tutor de IA — gratis
Escribe y ejecuta código real en tu navegador, obtén ayuda instantánea de un tutor de IA disponible 24/7 y continúa donde lo dejaste en la web o en la aplicación.
- Cursos
- 30
- Lecciones
- 120
Preguntas frecuentes
¿La lección «Búsqueda vectorial con un vector store» es gratis?
Sí — el texto completo de «Búsqueda vectorial con un vector store» es gratis para leer aquí en la web. Para practicarla de forma interactiva (editor de código integrado y tutor de IA 24/7) y desbloquear el resto del curso de NLP Academy, actualiza a CoddyKit PRO. El curso de NLP Academy incluye 4 lecciones en total.
¿Qué aprenderé en «Búsqueda vectorial con un vector store»?
Recuperar los pasajes más relevantes Practicas NLP Academy con código real que ejecutas directamente en el navegador, y un tutor de IA 24/7 responde tus preguntas mientras trabajas en la lección.
¿Necesito experiencia previa para empezar NLP Academy?
No se requiere experiencia previa. NLP Academy en CoddyKit está estructurado para principiantes hasta estudiantes avanzados, así que puedes empezar aquí o desde el inicio y avanzar a tu ritmo. Esta es la lección 3 de 4.
¿Cuánto tiempo toma la lección «Búsqueda vectorial con un vector store»?
La mayoría de las lecciones de CoddyKit toman alrededor de 5–10 minutos. Cada una es compacta e interactiva, así que avanzas constantemente y retomas exactamente por donde dejaste en la web y la app.
¿Puedo escribir y ejecutar código en esta lección de NLP Academy?
Sí. Cada lección de NLP Academy incluye un editor de código integrado, así que escribes y ejecutas código real directamente en tu navegador y obtienes retroalimentación instantánea de IA — sin configuración local necesaria.
Todas las lecciones de este curso
- Por qué los LLM necesitan retrieval
- Fragmentación y generación de embeddings de documentos
- Búsqueda vectorial con un vector store
- Integración del retrieval en el prompt