Una persona pregunta por el procedimiento de devolución de un equipo. Otra busca la referencia exacta de una pieza. Ambas consultas utilizan el mismo repositorio, pero no plantean el mismo problema de recuperación.
La búsqueda textual aprovecha palabras y términos presentes en los documentos. La búsqueda vectorial compara representaciones que pueden relacionar expresiones diferentes con un significado parecido. La búsqueda híbrida combina ambos recorridos para intentar recuperar evidencia útil en situaciones diversas.
La combinación merece una evaluación: añadir un segundo mecanismo no garantiza que los resultados mejoren para cada consulta.
Un código de producto no funciona como una pregunta abierta
Imagina un catálogo ficticio con las referencias AB-120 y AB-120R. Una consulta sobre AB-120R necesita distinguirlas. Un documento semánticamente parecido sobre otro producto puede resultar inadecuado aunque explique el mismo tipo de reparación.
Comprueba cómo se indexan y consultan los identificadores. El análisis textual puede separar guiones, normalizar caracteres o transformar los términos. Si el requisito es una igualdad exacta, quizá necesites un campo y una condición específicos para la referencia, además del motor de búsqueda.
Ahora considera “¿qué hago si el equipo llega con el precinto roto?”. El documento puede hablar de “inspección de unidades abiertas” sin repetir las palabras de la pregunta. La recuperación semántica puede ayudar a localizar esa relación, siempre que la representación y el contenido permitan distinguirla de procedimientos distintos.
Qué se combina realmente
En un diseño híbrido, una consulta puede generar candidatos mediante búsqueda textual y vectorial. Después se fusionan sus resultados antes de seleccionar la evidencia que recibirá el resto del sistema.
La descripción de búsqueda híbrida de Azure AI Search muestra esa combinación y el uso de Reciprocal Rank Fusion para reunir listas ordenadas. La implementación concreta depende del motor utilizado.
No sumes sin más puntuaciones de componentes diferentes. Su escala y significado pueden ser distintos. Una estrategia basada en posiciones, una normalización o un modelo de reordenación necesitan una evaluación acorde con su funcionamiento.
Distingue además la recuperación inicial del reordenamiento posterior. Un documento que nunca entró entre los candidatos no puede rescatarse únicamente cambiando su orden al final.
Una prueba con consultas de naturalezas distintas
Prepara preguntas reales o representativas y marca antes de ejecutar qué documentos contienen la evidencia necesaria.
| Tipo de consulta | Ejemplo construido | Fallo que conviene buscar |
|---|---|---|
| Identificador exacto | Manual AB-120R | Recuperar la variante AB-120 |
| Nombre y condición | Devolución con precinto roto | Omitir la excepción aplicable |
| Paráfrasis | Unidad abierta antes de su recepción | No relacionar expresiones equivalentes |
| Término ambiguo | Revisión de cuenta | Mezclar documentos de procesos distintos |
| Sin evidencia disponible | Condición que el manual no recoge | Ofrecer un documento cercano como si respondiera |
Compara búsqueda textual, vectorial e híbrida con el mismo corpus, permisos y conjunto de preguntas. Documenta cualquier cambio de fragmentación o de configuración; de lo contrario, será difícil atribuir la diferencia a la combinación.
Revisa la evidencia antes de valorar la respuesta
Comprueba si aparecen los fragmentos necesarios, si conservan sus condiciones y cuánto contenido irrelevante ocupa el conjunto recuperado. Un resultado puede contener la palabra correcta y haber perdido la explicación al dividir el documento.
Por eso conviene coordinar la prueba con la política de chunking. Si el fragmento separa una regla de su excepción, modificar la búsqueda no resuelve por sí solo esa pérdida de contexto.
Después evalúa la respuesta del modelo. Recuperar la evidencia correcta y utilizarla correctamente son dos resultados distintos que deben observarse por separado.
Mantén permisos y costes dentro de la comparación
Los dos recorridos deben respetar la misma autorización efectiva. Reunir sus resultados no debería introducir documentos que una de las ramas recuperó sin los filtros necesarios. Verifica también las citas y las cachés conforme a la revisión de permisos en RAG.
Mide latencia, volumen de candidatos y consumo de los componentes que realmente utilizas. Una configuración puede mejorar determinados casos y añadir un coste que no compensa para otros.
El resultado útil es una decisión por familias de consulta y sus fallos conocidos, no una afirmación de superioridad universal. Si necesitas diseñar la recuperación de un asistente de inteligencia artificial, comparte con Nexeus Big Data ejemplos de preguntas, referencias exactas y documentos relevantes. Con esa muestra se puede comprobar qué combinación aporta evidencia más útil para tus usuarios.