Embeddings en EasyChatBot: cómo entienden tu contenido

Qué es un embedding, sin fórmulas raras

Un embedding es una forma de convertir un texto en una lista de números que “captura” su significado. Dos textos que hablan de lo mismo generan embeddings parecidos; dos textos de temas muy distintos generan embeddings lejanos.

En lugar de comparar solo palabras clave, EasyChatBot compara estos vectores (embeddings) para saber qué partes de tu contenido se parecen más a lo que pregunta el usuario.

Cómo usa embeddings EasyChatBot por dentro

Cuando conectas tu web o tus documentos, EasyChatBot:

Crawl ea tus páginas y crea contextos (trozos de texto limpios por URL o documento).
Parte esos contextos en fragmentos manejables y genera un embedding para cada fragmento usando un modelo de IA.
Guarda esos embeddings en una base de datos vectorial (ChromaDB) en una colección por bot, por ejemplo bot_123.

Cuando un usuario escribe, el mensaje también se convierte en un embedding y se busca por similitud semántica en ChromaDB. Así el bot recupera los fragmentos más relevantes antes de llamar al modelo de lenguaje que genera la respuesta.

Qué ganas tú usando embeddings

Respuestas basadas en tu contenido: el bot no “se inventa” la respuesta, primero busca en lo que has indexado.
Menos sensibilidad a cómo escriba el usuario: “precio de la membresía” y “cuánto cuesta el plan” acaban en los mismos fragmentos relevantes.
Mejor control desde el dashboard: puedes ver qué contextos se usan, ajustar patrones de URLs, regenerar RAG y decidir qué entra en el índice.

Dónde encajan los embeddings en el flujo RAG

En EasyChatBot, los embeddings aparecen en la parte de RAG:

Tu contenido se extrae (crawling, archivos, texto manual) y se guarda como contextos.
Se generan embeddings y se guardan en ChromaDB.
Cuando una intención activa la acción de RAG Search, el sistema busca en esos embeddings lo más parecido a la pregunta.
El modelo de lenguaje (por ejemplo DeepSeek) recibe la pregunta del usuario + los fragmentos recuperados y genera la respuesta final.

Cómo sacarles más partido

Algunos consejos prácticos para que los embeddings trabajen mejor a tu favor:

Mantén tu contenido actualizado: recrawlea cuando cambies precios o condiciones.
Ajusta patrones de URLs para centrar el RAG en las secciones que realmente importan.
Combina buenas intenciones (frases y umbrales) con acciones de RAG para decidir cuándo buscar en tu contenido.