Capítulo 1: Búsqueda por similitud

Introducción

La búsqueda por similitud es la base de la recuperación en sistemas RAG. Encuentra los documentos cuyas representaciones vectoriales están más cercanas al vector de la consulta.

Métricas de distancia

Similitud coseno

import numpy as np

def cosine_similarity(a, b):
    return np.dot(a, b) / (np.linalg.norm(a) * np.linalg.norm(b))

# Range: -1 to 1 (1 = identical)

Distancia euclidiana

def euclidean_distance(a, b):
    return np.linalg.norm(a - b)

# Range: 0 to infinity (0 = identical)

Producto interno (producto punto)

def inner_product(a, b):
    return np.dot(a, b)

# For normalized vectors, equivalent to cosine

Recuperación Top-K

from langchain.vectorstores import Chroma

# Create retriever
retriever = vectorstore.as_retriever(
    search_type="similarity",
    search_kwargs={"k": 5}  # Return top 5 results
)

# Retrieve
docs = retriever.get_relevant_documents("What is RAG?")

Umbrales de puntuación

Filtrar por similitud mínima:

retriever = vectorstore.as_retriever(
    search_type="similarity_score_threshold",
    search_kwargs={
        "score_threshold": 0.7,  # Minimum similarity
        "k": 10
    }
)

Maximum Marginal Relevance (MMR)

Equilibra relevancia con diversidad:

retriever = vectorstore.as_retriever(
    search_type="mmr",
    search_kwargs={
        "k": 5,
        "fetch_k": 20,        # Fetch more candidates
        "lambda_mult": 0.7    # 1=relevance, 0=diversity
    }
)

Comparación

Método	Mejor para	Compromiso
Similitud	Uso general	Puede tener resultados redundantes
Umbral	Filtrado de calidad	Puede devolver pocos resultados
MMR	Resultados diversos	Relevancia ligeramente menor

---

Próximos pasos

Continúe con Capítulo 2: Búsqueda híbrida.