Ollama Embeddings

Ollama Embeddings convierte textos en una huella numérica de su significado usando un modelo instalado en Ollama, la herramienta para ejecutar modelos de IA en tu propio servidor. 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 quieres que los textos no salgan de un servidor que controla tu empresa.

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 un servidor con Ollama y no quiere depender de un servicio externo.

Configuración

Campo	Qué hace
Ollama Model	El nombre del modelo instalado en tu servidor de Ollama que calcula las huellas. Por defecto: llama3.1. Escribe el de un modelo de embeddings que tengas instalado.
Ollama Base URL	La dirección de tu servidor de Ollama. Tiene que ser accesible desde NappAI.

Opciones avanzadas

Campo	Qué hace
Model Temperature	Ajuste heredado de los modelos que escriben texto. Por defecto: 0.1. 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.

Los textos se envían al modelo tal cual, sin prefijos. Hasta octubre de 2026 el componente anteponía passage: / query: a cada texto; si creaste una base vectorial con él antes de esa fecha, vuelve a añadir los documentos para que las búsquedas comparen lo mismo.

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

Un ayuntamiento, Ayuntamiento de Villalba, quiere que su asistente responda con sus ordenanzas municipales, sin que salgan de su servidor.

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 Ollama Embeddings 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 Ollama Embeddings para buscar los fragmentos que responden a cada pregunta.

Componentes relacionados

• Chroma DB
• PGVector
• Text Embedder
• Embedding Similarity
• FastEmbed Embeddings (Local): huellas calculadas dentro de NappAI, sin servidor propio.

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