Text Embedder
Text Embedder calcula la huella numérica del significado de un texto concreto. Un embedding es eso: una lista de números que resume lo que dice un texto, de forma que dos textos con un significado parecido tienen huellas parecidas, aunque usen otras palabras.
Las bases de datos vectoriales calculan estas huellas por su cuenta al guardar y al buscar documentos. Usa Text Embedder cuando quieras la huella de un texto suelto para trabajar con ella en el flujo, por ejemplo para comparar dos textos con Embedding Similarity.
Cuándo usarlo
- Comparar la pregunta de un cliente con una frase de referencia para saber si hablan de lo mismo.
- Detectar si una incidencia nueva se parece a otra que ya está registrada.
- Probar qué modelo de embeddings distingue mejor tus propios textos antes de elegir uno para tu base de conocimiento.
Configuración
| Conexión | Qué conectar |
|---|---|
| Embedding Model | El componente de embeddings que calcula la huella, por ejemplo OpenAI Embeddings o FastEmbed Embeddings (Local). Conecta aquí su salida Embeddings. |
| Campo | Qué hace |
|---|---|
| Message | El texto del que se calcula la huella. Puedes escribirlo o recibirlo de otro componente, por ejemplo de la entrada de un chat. |
Resultado
- Embedding Data: un dato con dos partes: el texto original (
text) y su huella, la lista de números (embeddings). Conéctalo a la entrada Embedding Vectors de Embedding Similarity para compararlo con otro texto, o a cualquier componente que trabaje con datos.
Ejemplo
El servicio de atención al cliente de Electrodomésticos Olmo quiere saber si un mensaje habla de una devolución.
- Añade un componente de embeddings, por ejemplo FastEmbed Embeddings (Local).
- Añade dos Text Embedder y conecta a los dos el mismo componente de embeddings en Embedding Model.
- En el primero, conecta a Message el mensaje del cliente. En el segundo, escribe en Message una frase de referencia como “Quiero devolver un producto y que me reembolsen el dinero”.
- Conecta las dos salidas Embedding Data a Embedding Vectors de Embedding Similarity, que te dice cuánto se parecen.
Buenas prácticas
- Usa el mismo componente de embeddings para todos los textos que vayas a comparar: las huellas de modelos distintos no se pueden comparar entre sí.