Cohere Embeddings

Cohere Embeddings convierte textos en una huella numérica de su significado usando los modelos de Cohere. Con esa huella, NappAI puede encontrar los documentos que dicen algo parecido a lo que buscas aunque usen otras palabras, por ejemplo en una base de conocimiento.

El componente se conecta a una base de datos vectorial, que lo usa tanto para guardar tus documentos como para buscar en ellos. Úsalo si tu empresa trabaja con Cohere.

Cuándo usarlo

• Dar a un agente el conocimiento de tus manuales, contratos o preguntas frecuentes, guardándolos en una base de datos vectorial.
• Montar un buscador interno que encuentre documentos por su significado y no solo por palabras exactas.
• Tu empresa ya tiene cuenta en Cohere.
• Tienes documentos en varios idiomas y quieres usar un modelo multilingüe de Cohere.

Configuración

Campo	Qué hace
Credential (obligatorio)	La credencial del servicio Cohere API. Elige una con Seleccionar una credencial o crea una con Crear nueva credencial. Consulta Credenciales.

El modelo se elige en la pestaña Avanzado.

Opciones avanzadas

Campo	Qué hace
Model	El modelo de Cohere que calcula las huellas: embed-english-v2.0, embed-multilingual-v2.0, embed-english-light-v2.0 o embed-multilingual-light-v2.0. Por defecto: embed-english-v2.0.
Truncate	Qué hace Cohere con los textos más largos de lo que admite el modelo: START recorta el principio, END recorta el final y NONE no recorta y devuelve un error. Vacío, Cohere aplica su opción por defecto.
Max Retries	Cuántas veces se repite una petición que falla. Por defecto: 3.
Request Timeout	Tiempo máximo de espera de cada petición, en segundos. Vacío, se usa el de Cohere.
User Agent	El nombre con el que el componente se identifica ante Cohere. No hace falta cambiarlo.

Procesamiento por lotes

Con el interruptor Batch Mode activado, el componente se ejecuta una vez por cada elemento de la lista que conectes en Batch Input y devuelve todos los resultados juntos en una lista. Parallel Executions indica cuántos elementos se procesan a la vez (de 1 a 5). Skip if Empty Batch Input salta el componente si la lista llega vacía, y Skip Branch if Empty Output detiene los componentes siguientes si el resultado está vacío. Más información en Conceptos clave.

Resultado

• Embeddings: el modelo que calcula las huellas, listo para usar. Conéctalo a la entrada Embedding de una base de datos vectorial: Astra DB, Cassandra, Chroma DB, Couchbase, Elasticsearch, FAISS, Milvus, MongoDB Vector Store, PGVector, Pinecone, Qdrant, Redis, Supabase Vector Store, Upstash, Vectara, Weaviate Cloud (v4). También lo aceptan otros componentes con una entrada de este tipo, como Semantic Text Splitter o Text Embedder.

Usa el mismo modelo para guardar y para buscar

Las huellas de dos modelos distintos no se pueden comparar entre sí. Usa el mismo componente y el mismo modelo para guardar los documentos y para buscar en ellos. Si cambias de modelo, vuelve a guardar los documentos en la base.

Ejemplo

Una cadena de hoteles, Hoteles Mirador, quiere que su asistente responda con sus políticas de reservas y cancelaciones en español e inglés.

1. En un flujo de carga, divide los documentos en fragmentos con Recursive Character Text Splitter y pásalos a Chroma DB con Operation en Add.
2. Añade Cohere Embeddings (en Avanzado, Model en embed-multilingual-v2.0) y conecta su salida Embeddings a la entrada Embedding de Chroma DB.
3. En el flujo del asistente, usa la misma colección de Chroma DB con el mismo componente Cohere Embeddings para buscar los fragmentos que responden a cada pregunta.

Buenas prácticas

• El modelo por defecto está pensado para textos en inglés. Si tus documentos están en español o en varios idiomas, elige embed-multilingual-v2.0 o embed-multilingual-light-v2.0.

Componentes relacionados

• Chroma DB
• PGVector
• Text Embedder
• Embedding Similarity