Embeddings y similitud semántica

Un embedding es la representación de un texto como un vector de números. Es el mecanismo por el cual un motor decide qué tan "parecido en significado" es tu contenido a la pregunta del usuario — y, por tanto, si lo recupera.

Cómo funciona, sin matemática

• Cada fragmento (la consulta y cada pasaje candidato) se convierte en un vector en un espacio de muchas dimensiones. Textos con significado similar quedan cerca; distintos, lejos. Esto es la similitud semántica.
• En recuperación, el motor convierte la pregunta en vector, la compara contra el índice y trae los pasajes más cercanos. No busca coincidencia de palabras; busca coincidencia de significado. Por eso repetir una keyword 12 veces no mueve el vector hacia la pregunta.
• Regla técnica clave: el mismo modelo de embedding debe usarse para indexar y para consultar. Si indexas con uno y consultas con otro, los vectores no son comparables.

Qué hacer con esto

En vez de cazar variantes de una keyword, escribe pasajes donde cada uno responda claramente una pregunta y contenga hechos verificables. Un pasaje semánticamente nítido — "X es un Y que hace Z, con [dato]" — cae cerca de muchas preguntas relacionadas y se recupera más. Esto conecta directo con la estructura de answer block.