Indexación, filtrado y búsqueda híbrida
Haga que la búsqueda vectorial sea rápida y precisa a escala comprendiendo los tipos de índices, combinando filtros de metadatos con similitud y mezclando la recuperación por palabras clave y vectores mediante búsqueda híbrida.
Indexación, filtrado y búsqueda híbrida es una lección gratuita de LLM Apps in Production (RAG + Vector DB + Caching) en CoddyKit. Esta es la lección 4 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 LLM Apps in Production (RAG + Vector DB + Caching), y tu progreso se sincroniza en la web y la app de CoddyKit. El curso de LLM Apps in Production (RAG + Vector DB + Caching) incluye 4 lecciones en total.
Partes de esta lección aún no han sido traducidas y se muestran en inglés.
The Scale Problem
Comparing a query against millions of vectors one by one is too slow for production. Vector databases use indexes to find near neighbors quickly without scanning everything.
Approximate Nearest Neighbors
Most vector indexes are approximate (ANN): they trade a tiny bit of accuracy for huge speed gains. For RAG, near-perfect recall at fast speed is a great deal.
HNSW Indexes
HNSW (Hierarchical Navigable Small World) is a popular graph-based index. It navigates layers of connections to reach neighbors fast, balancing speed and accuracy via tunable parameters.
IVF Indexes
IVF clusters vectors into cells; a query only searches the closest cells. The nprobe parameter trades recall for speed by controlling how many cells to check.
Metadata Filtering
Pure similarity can return the wrong scope — old versions, other tenants. Storing metadata with each vector lets you filter results to the right subset.
results = store.similarity_search(
query,
k=4,
filter={'tenant': 'acme', 'lang': 'en'}
)Pre vs Post Filtering
Filters apply two ways:
- Pre-filter: restrict candidates before the ANN search (more correct)
- Post-filter: search, then drop non-matches (may return too few)
Prefer pre-filtering when the DB supports it.
Where Vector Search Struggles
Vectors capture meaning but can miss exact terms — product codes, names, acronyms. A query for SKU-9F may semantically match nothing useful.
Hybrid search fixes this.
What Is Hybrid Search?
Hybrid search runs both keyword (e.g. BM25) and vector search, then merges the results. You get semantic understanding plus exact-term precision.
Combining Scores with RRF
Reciprocal Rank Fusion merges the two ranked lists by rewarding items ranked high in either, without needing comparable score scales.
def rrf(ranks, k=60):
return sum(1 / (k + r) for r in ranks)Tuning the Balance
Many databases let you weight keyword vs vector contributions (alpha). Term-heavy domains lean keyword; conceptual queries lean vector. Tune on your test set.
results = store.similarity_search(query, k=4, alpha=0.5)Operational Tips
For healthy vector search at scale:
- Rebuild or update indexes as data grows
- Keep embeddings and index dimensions consistent
- Benchmark recall and latency together
Quick Check
Test your vector database knowledge.
Recap
You learned to scale and sharpen vector search:
- ANN indexes like HNSW and IVF make search fast
- Metadata filters scope results; prefer pre-filtering
- Hybrid search blends keyword and vector retrieval
- Fuse rankings with RRF and tune the balance
- Maintain indexes and benchmark recall vs latency
These techniques keep retrieval both fast and accurate in production.
Aprende LLM Apps in Production (RAG + Vector DB + Caching) 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
- 12
- Lecciones
- 48
Preguntas frecuentes
¿La lección «Indexación, filtrado y búsqueda híbrida» es gratis?
Sí — el texto completo de «Indexación, filtrado y búsqueda híbrida» 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 LLM Apps in Production (RAG + Vector DB + Caching), actualiza a CoddyKit PRO. El curso de LLM Apps in Production (RAG + Vector DB + Caching) incluye 4 lecciones en total.
¿Qué aprenderé en «Indexación, filtrado y búsqueda híbrida»?
Haga que la búsqueda vectorial sea rápida y precisa a escala comprendiendo los tipos de índices, combinando filtros de metadatos con similitud y mezclando la recuperación por palabras clave y vectore… Practicas LLM Apps in Production (RAG + Vector DB + Caching) 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 LLM Apps in Production (RAG + Vector DB + Caching)?
No se requiere experiencia previa. LLM Apps in Production (RAG + Vector DB + Caching) 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 4 de 4.
¿Cuánto tiempo toma la lección «Indexación, filtrado y búsqueda híbrida»?
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 LLM Apps in Production (RAG + Vector DB + Caching)?
Sí. Cada lección de LLM Apps in Production (RAG + Vector DB + Caching) 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
- La necesidad de las bases de datos vectoriales
- Embeddings vectoriales y búsqueda por similitud
- Integración con una base de datos vectorial
- Indexación, filtrado y búsqueda híbrida