Búsqueda Semántica y RAG: Cómo tu IA Entiende Antes de Responder

Pregúntale a ChatGPT algo sobre tu empresa. Sobre tus propios artículos. Sobre tus productos, tarifas o políticas internas. La respuesta será educada, elaborada… y probablemente inventada. Los modelos de lenguaje no saben nada de tu negocio — saben de todo lo demás.

RAG (Retrieval-Augmented Generation) resuelve exactamente esto. En lugar de esperar que el LLM "recuerde" tu contenido, primero buscas la información relevante en tu propia base de conocimiento y luego se la pasas al modelo como contexto. El resultado: respuestas precisas, con fuentes, sin alucinaciones.

En este artículo explicamos todo el pipeline — desde qué son los embeddings hasta cómo implementamos el chatbot de Codex que estás usando ahora mismo (sí, el botón de abajo a la derecha). Puedes probarlo mientras lees.

Un embedding es la representación numérica del significado de un texto. En lugar de tratar las palabras como cadenas de caracteres, un modelo de embeddings las convierte en vectores — listas de números con cientos o miles de dimensiones — donde textos con significados similares quedan cerca en el espacio vectorial.

"gato"       → [0.23, -0.41, 0.87, 0.12, ..., -0.33]  // 1024 dimensiones
"felino"     → [0.25, -0.39, 0.85, 0.14, ..., -0.31]  // ¡Muy cerca de "gato"!
"automóvil"  → [-0.67, 0.52, -0.11, 0.83, ..., 0.44]  // Lejos de ambos

// Distancia coseno:
// gato ↔ felino:     0.97 (casi idénticos semánticamente)
// gato ↔ automóvil:  0.12 (sin relación semántica)

La magia está en que esto funciona más allá de sinónimos. "¿Cómo protegen los datos de mis clientes?" y "Seguridad y compliance del CRM" quedan cerca en el espacio vectorial aunque no compartan casi ninguna palabra. El modelo entiende la intención, no las letras.

La búsqueda tradicional (SQL LIKE '%keyword%' o full-text search) busca coincidencias exactas de palabras. Funciona bien cuando sabes exactamente qué palabras usar. Pero los humanos no pensamos en keywords — pensamos en preguntas.

RAG (Retrieval-Augmented Generation) es un patrón de arquitectura que combina dos fases: primero recuperas (Retrieval) la información relevante de tu base de conocimiento, y luego se la pasas al modelo generativo (Generation) como contexto. El modelo no necesita "saber" tus datos — solo necesita leerlos en el momento correcto.

Hay tres formas de "enseñarle" a un LLM sobre tu negocio. Cada una tiene su lugar, pero para la mayoría de casos de uso empresarial, RAG es la elección correcta.

Una base de datos vectorial almacena embeddings y permite buscar los más similares a un vector de consulta. El algoritmo estándar es ANN (Approximate Nearest Neighbors) — no compara contra todos los vectores uno por uno (sería lentísimo con millones), sino que usa estructuras de índice para encontrar los más cercanos en milisegundos.

Cloudflare Vectorize es la solución nativa de Cloudflare. Vive en el edge (junto a Workers y D1), tiene un tier gratuito generoso, y se integra directamente con Workers AI para generar embeddings — sin salir del ecosistema, sin latencia de red entre servicios.

[[vectorize]]
binding = "VECTORIZE"
index_name = "codex-knowledge"  # 1024 dimensiones, coseno
# Tier gratuito: 200K vectores, 5M dims almacenadas/mes
# Suficiente para ~195 artículos × ~30 chunks = ~5.850 vectores

No puedes generar un embedding de un artículo completo de 4.000 palabras — el significado se diluye. Necesitas partirlo en fragmentos (chunks) lo suficientemente pequeños para ser semánticamente precisos, pero lo suficientemente grandes para mantener contexto.

El chatbot que ves en esta web es un sistema RAG completo corriendo 100% en Cloudflare. Aquí está cada componente y por qué lo elegimos:

// 1. Embedding de la pregunta (~50ms)
const embedding = await env.AI.run('@cf/baai/bge-m3', {
  text: [question]
});

// 2. Búsqueda vectorial en Vectorize (~30ms)
const results = await env.VECTORIZE.query(embedding.data[0], {
  topK: 5,
  namespace: lang,         // 'es' o 'en'
  returnMetadata: 'all',
  filter: { minScore: 0.55 }
});

// 3. Recuperar texto completo de D1
const chunks = await db.prepare(
  'SELECT chunk_text, title, url FROM codex_chunks WHERE id IN (...)'
).all();

// 4. Generar respuesta con DeepSeek
const response = await fetch('https://api.deepseek.com/chat/completions', {
  body: JSON.stringify({
    model: 'deepseek-chat',
    messages: [
      { role: 'system', content: systemPrompt + context },
      ...history,
      { role: 'user', content: question }
    ]
  })
});

Una de las grandes ventajas de RAG sobre otras arquitecturas es el coste. Al usar servicios con tiers gratuitos para embeddings y almacenamiento vectorial, el único coste variable es el LLM generativo. Aquí está el desglose real:

Un sistema RAG solo es útil si la interfaz es buena. El chatbot de Codex incluye funcionalidades que van más allá de un simple campo de texto:

El pipeline de Codex hoy indexa 24 artículos. Pero la arquitectura está diseñada para escalar varios órdenes de magnitud sin cambiar de tecnología:

Vectorize usa HNSW (Hierarchical Navigable Small World) como algoritmo de indexación — la misma familia de algoritmos que usa Pinecone o pgvector. La latencia de búsqueda crece logarítmicamente, no linealmente: pasar de 100 a 100K vectores apenas añade 10ms.

RAG no es una moda — es el patrón que resuelve el problema fundamental de los LLMs: que saben mucho de todo, pero nada de tu negocio. Con embeddings, búsqueda semántica y generación basada en contexto real, puedes tener un asistente que responda con precisión sobre tu contenido, cite fuentes y cueste menos de $1/mes.

El chatbot de Codex es la prueba viva. Pregúntale lo que quieras sobre Cadences — busca en 98 chunks de 24 artículos, encuentra los más relevantes por similitud semántica, y genera una respuesta fundamentada con DeepSeek. Todo en el edge, todo serverless, todo por ~$0,0008 por pregunta.