FastEmbed Embeddings (Local)

FastEmbed Embeddings (Local) convierte textos en una huella numérica de su significado usando un modelo que funciona dentro de la propia plataforma NappAI. 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. No necesita credencial ni cuenta en ningún proveedor, y los textos no se envían a ningún servicio externo.

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.
• Quieres empezar sin contratar ningún servicio de IA.
• Tus documentos son confidenciales y prefieres que no se envíen a un proveedor externo.
• Tus documentos están en español y en inglés: el modelo por defecto está pensado para esos dos idiomas.

Configuración

Campo	Qué hace
Model	El modelo que calcula las huellas. Por defecto: jinaai/jina-embeddings-v2-base-es. Consulta la tabla de modelos más abajo.

Modelo	Para qué es adecuado
jinaai/jina-embeddings-v2-base-es	Español e inglés, también con textos largos. Es la opción por defecto y la más indicada para documentos en estos dos idiomas.
sentence-transformers/paraphrase-multilingual-MiniLM-L12-v2	Unos 50 idiomas. Es el modelo más ligero y rápido, pero el que menos acierta al buscar.
intfloat/multilingual-e5-large	Unos 100 idiomas. Calidad de búsqueda muy parecida a la del modelo por defecto, a cambio de ser unas tres veces más pesado y más lento. Sus textos se convierten tal cual, sin los prefijos query: / passage: que sugieren sus autores.
Snowflake/snowflake-arctic-embed-l-v2.0	Unos 75 idiomas, también con textos largos. Es el que más veces pone primero el fragmento que responde, a cambio de ser unas tres veces más pesado y más lento que el de por defecto.

Todos los modelos de la lista permiten el uso comercial.

Opciones avanzadas

Campo	Qué hace
Document Embed Type	default o passage. passage convierte los documentos con el modo para documentos del propio modelo, si lo tiene; con los modelos de la lista ambos dan el mismo resultado. No se añade ningún prefijo al texto. Por defecto: default.
Max Sequence Length	La longitud máxima de cada texto; lo que pase de ahí se corta. Por defecto: 512.
Batch Size	Cuántos textos se procesan juntos. Por defecto: 256.
ONNX Runtime Threads	Cuántos procesos de cálculo se usan a la vez. Con 0 (por defecto) se decide solo.
Model Cache Directory	Déjalo vacío.

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), Neo4j. También la entrada Embedding de Neo4j GraphRAG. 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 inmobiliaria, Inmobiliaria Portal Sur, quiere que su asistente responda con las fichas de sus inmuebles 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 FastEmbed Embeddings (Local) 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 FastEmbed Embeddings (Local) para buscar los fragmentos que responden a cada pregunta.

Cifras medidas

Medido el 17 y el 18 de octubre de 2026 sobre una base de conocimiento de prueba en español (9 documentos de un servicio técnico ficticio, 40 preguntas). Es un único conjunto sintético: muestra cómo se comportan los modelos, no una promesa para tus datos.

Modelo	Respuesta como primer resultado	Respuesta entre los 5 primeros	Tamaño
jinaai/jina-embeddings-v2-base-es	60 %	83 %	0,64 GB
intfloat/multilingual-e5-large	60 %	87 % (una pregunta más)	2,24 GB
Snowflake/snowflake-arctic-embed-l-v2.0	70 %	83 %	2,27 GB
sentence-transformers/paraphrase-multilingual-MiniLM-L12-v2	23 %	63 %	0,22 GB

El modelo por defecto acierta casi igual que los grandes entre los 5 primeros siendo unas tres veces más pequeño y más rápido. Por eso es el recomendado para documentos en español. Si pasas pocos resultados al agente y te importa que el bueno salga el primero, prueba Snowflake/snowflake-arctic-embed-l-v2.0.

Componentes relacionados

• Chroma DB
• PGVector
• Text Embedder
• Embedding Similarity
• Local Rerank: reordena los resultados con otro modelo que también funciona dentro de NappAI.

Para elegir modelo y base vectorial, consulta Bases vectoriales en la guía de RAG.