Embeddings y búsqueda semántica con LLMs y Qdrant
Charla en TsáchilTalks #021 (GDG Tsáchilas): embeddings, significado vs keywords, Qdrant como base vectorial y cómo armar un RAG — con un caso real de asistente automotriz.
Resumen
De qué hablamos
En esta charla de TsáchilTalks #021 (GDG Tsáchilas) explico cómo embeddings + LLMs + Qdrant se unen para construir un RAG: un sistema que no solo “busca texto”, sino que entiende significado e intención.
La pregunta de fondo es simple: ¿cómo hacemos que una aplicación entienda lo que realmente queremos decir?
Representación vectorial: por qué importa
Los embeddings transforman texto en vectores: puntos en un espacio donde la cercanía significa similitud semántica.
- Dos frases con palabras distintas pueden estar cerca si hablan de lo mismo.
- Una consulta informal puede acercarse a un párrafo técnico del manual.
- La matemática (distancias, similitud) deja de ser abstracta: es el motor de la búsqueda por significado.
Verlo en 2D ayuda a intuirlo: palabras y conceptos “cerca” unos de otros, no por coincidencia de strings, sino por contexto.
Búsqueda tradicional vs búsqueda por significado
No son rivales. Son herramientas para situaciones distintas:
| Enfoque | Brilla cuando… | Se queda corto cuando… |
|---|---|---|
| Tradicional (keywords / SQL / full-text) | Sabes el término exacto, códigos, SKUs, filtros rígidos | El usuario pregunta “como habla” |
| Semántica (embeddings) | Hay intención, sinónimos, lenguaje natural | Necesitas exactitud literal o filtros duros |
Lo poderoso es combinarlas: exactitud donde hace falta, significado donde el humano no escribe como la base de datos.
Qdrant: base vectorial de verdad
Qdrant está pensada para búsqueda vectorial de punta a punta. No es lo mismo que una base mixta que “también guarda vectores”: el diseño, el índice y las operaciones están orientados a similitud semántica a escala.
Ahí indexamos fragmentos de conocimiento (manuales, fichas, FAQs) para recuperar contexto relevante antes de que el LLM responda.
De stack a asistente: el caso automotriz
Juntando embeddings + Qdrant + LLM tienes un RAG. En la práctica lo usamos para un asistente inteligente automotriz: personas que necesitan saber qué comprar, cómo se usa o cómo instalar — sin depender siempre de un humano atendiendo a decenas de consultas a la vez.
El asistente responde desde el contexto indexado (no inventa, no “adivina” en internet): grounding real sobre documentación técnica.
Si quieres el producto detrás de esa idea, está documentado en la experiencia de Tayos (RAG sobre manuales de repuestos).
Para quién es
Developers, estudiantes y equipos de producto que quieren pasar de “probar un LLM” a sistemas que entienden intención — y comunidades GDG que construyen IA aplicada a problemas reales.
Ver también la ficha del evento en TsáchiTalk #21 y el artículo del blog.