Local Rerank

Local Rerank recibe los resultados de una búsqueda y los vuelve a ordenar según lo bien que responde cada uno a la pregunta. Se queda con los mejores y descarta, si quieres, los que no tienen nada que ver. El modelo que lo hace funciona dentro de la propia plataforma: no necesita credencial ni cuenta en ningún proveedor, no tiene coste por búsqueda y tus textos no salen de NappAI.

Una búsqueda por significado compara la pregunta y cada fragmento por separado, así que a veces el fragmento correcto aparece en el puesto 8 o 15. Local Rerank lee la pregunta y cada fragmento juntos y les da una nota de relevancia de 0 a 1. Por eso acierta más con códigos, referencias y preguntas concretas.

Cuándo usarlo

• La búsqueda encuentra el fragmento correcto, pero no siempre entre los primeros.
• Tus usuarios preguntan por códigos de error, referencias de pieza o números de pedido.
• Quieres pasar al agente solo los cuatro o cinco fragmentos más útiles, en lugar de veinte.
• Quieres descartar resultados que no tienen relación con la pregunta, para que el agente diga que no lo sabe en lugar de inventar.
• Tus documentos están en español, en inglés o en varios idiomas y no quieres contratar un servicio de ordenación.

Cómo funciona

1. Pide a la búsqueda más resultados de los que quieres quedarte, por ejemplo 20.
2. Local Rerank puntúa cada uno frente a la pregunta.
3. Devuelve los mejores, tantos como indiques en Results to Keep (por ejemplo, 5), ordenados de más a menos relevante.

Los resultados pueden llegar de dos formas: conectando un buscador en Retriever (por ejemplo, la salida Retriever de Qdrant o de Ensemble Retriever) o conectando una lista de resultados en Search Results (por ejemplo, la salida Results de una base vectorial). Si conectas los dos, se usa el buscador.

Configuración

Campo	Qué hace
Search Query	La pregunta con la que se ordenan los resultados. Si un agente usa el componente como herramienta, la escribe él.
Retriever	Un buscador cuyos resultados se reordenan. Configúralo para que devuelva más resultados de los que te quedas, por ejemplo 20 en su Number of Results.
Search Results	Los resultados que se reordenan, si no conectas un buscador.
Results to Keep	Cuántos de los mejores resultados se devuelven, de 1 a 50. Por defecto, 5.

Opciones avanzadas

Campo	Qué hace
Model	El modelo que puntúa los resultados. Por defecto, BAAI/bge-reranker-v2-m3-int8, que entiende español, inglés y muchos otros idiomas. Los modelos Xenova/ms-marco-MiniLM-L-12-v2, Xenova/ms-marco-MiniLM-L-6-v2, jinaai/jina-reranker-v1-turbo-en y jinaai/jina-reranker-v1-tiny-en son más pequeños y solo sirven para textos en inglés. También está BAAI/bge-reranker-base. Para textos en español, quédate con el de por defecto.
Minimum Relevance	Los resultados con una nota inferior a esta, de 0 a 1, se descartan. Con 0 (por defecto) no se descarta ninguno. Las respuestas buenas pueden sacar notas de solo 0,01, así que solo valores muy bajos son seguros; valores como 0,15 ya descartan respuestas buenas.

Resultado

• Results: los resultados reordenados para Search Query, cada uno con su texto, sus datos y su nota en rerank_score. Pásalos a un prompt o a un agente.
• Retriever: un buscador que hace la búsqueda y la reordenación en un solo paso. Conéctalo donde se pide un buscador, como Retrievers de RAG Agent. Necesita un buscador conectado en Retriever.

Uso como herramienta de un agente

Conecta Local Rerank a la entrada Tools de un Agent y el agente buscará y reordenará por su cuenta: él escribe Search Query con la pregunta. En la pestaña Tool, Tool Name y Tool Description son el nombre y la explicación con los que el agente reconoce la herramienta y decide cuándo usarla. Por defecto se llama reranked_search; cambia la descripción para decir qué hay en tus documentos, por ejemplo «Busca en los manuales técnicos de las cafeteras».

Ejemplo

Un servicio técnico de cafeteras quiere que su asistente encuentre en los manuales qué significa cada código de error.

1. Añade una base Qdrant con Operation en Retriever, la colección de los manuales y Number of Results en 12.
2. Conecta su salida Retriever a la entrada Retriever de Local Rerank y pon Results to Keep en 4.
3. Conecta Local Rerank a las herramientas del agente, con la descripción «Busca en los manuales técnicos».
4. Pregunta «La Q90 marca el error E07, ¿qué significa?». El agente recibe los cuatro fragmentos más relevantes y el primero es el que explica el E07 de ese modelo, no el de otra máquina con el mismo código.

Qué mejora: cifras medidas

Medido el 18 de octubre de 2026 sobre una base de conocimiento de prueba (9 documentos de un servicio técnico ficticio, 40 preguntas). Son cifras de un único conjunto sintético: muestran cómo se comporta la técnica, no una promesa para tus datos.

• El fragmento correcto, primero: pidiendo 20 resultados y quedándose con 5, el fragmento que responde quedó el primero en el 77 % de las preguntas, frente al 60 % de la búsqueda por significado sola.
• Códigos y referencias exactas: con esa misma configuración, la respuesta estaba entre los 5 primeros en todas las preguntas (1,00), frente a 0,88 con la búsqueda por significado sola.
• Junto con fragmentos con contexto: la combinación de Contextual Text Splitter, búsqueda híbrida y Local Rerank fue la mejor de la prueba: el fragmento correcto quedó primero en el 80 % de las preguntas y entre los 5 primeros en todas, frente al 60 % y el 83 % de la búsqueda por significado sola.
• Preguntas sin respuesta en los documentos: con Minimum Relevance en 0,01 se descartaron 2 de las 4 preguntas sin respuesta y ninguna de las 36 que sí la tenían, pero por muy poco margen: alguna respuesta buena sacó 0,011 y una pregunta sin respuesta, 0,12. Con 0,15 se habrían descartado también 4 preguntas que sí tenían respuesta.
• Tiempo: alrededor de 1,2 segundos por pregunta con 20 resultados, en nuestro equipo de pruebas. Cuantos más resultados pidas, más tarda.

Buenas prácticas

• Pide a la búsqueda entre 3 y 5 veces los resultados que te quedas: por ejemplo, 20 para quedarte con 5.
• Si tus fragmentos no dicen de qué tratan (un paso de un procedimiento que solo dice «la pieza»), prepáralos antes con Contextual Text Splitter: junto con la búsqueda híbrida y Local Rerank fue la mejor combinación de la prueba.
• Deja Minimum Relevance en 0 salvo que hayas probado un umbral con tus propias preguntas. Para que el agente diga que no lo sabe, lo fiable son sus instrucciones.
• Incluso con un umbral, indica en las instrucciones del agente que, si la respuesta no está en los resultados, lo diga. Una pregunta sobre algo que no existe pero que se parece mucho a lo que sí existe puede superar el umbral.
• La primera búsqueda tarda algo más porque el modelo se carga; las siguientes ya lo encuentran listo.

Local Rerank o Cohere Rerank

	Local Rerank	Cohere Rerank
Dónde funciona	Dentro de NappAI	En el servicio de Cohere
Credencial	No necesita	Credencial Cohere API
Coste	Sin coste por búsqueda	Lo que cobre Cohere por búsqueda
Tus textos	No salen de la plataforma	Se envían a Cohere
Descartar irrelevantes	Sí, con Minimum Relevance	No
Qué recibe	Un buscador o una lista de resultados	Una lista de resultados
Herramienta de un agente	Sí, busca y reordena por su cuenta	No

Vídeo

Este vídeo compara la búsqueda normal con la búsqueda híbrida más la reordenación, en una pregunta por una referencia de pieza.

Lo que ves en el vídeo:

1. Qdrant sola, con sus 5 primeros resultados, no trae la pieza MO-305.
2. BM25 Retriever y Qdrant unidos en Ensemble Retriever con Weights 0.5, 0.5, y Local Rerank detrás: pide 20 candidatos y se queda con los 5 mejores.
3. El primer resultado es la lista de recambios del manual del molino, donde está «MO-305: condensador de arranque de 20 µF», con una relevancia de 0,55.
4. La misma combinación, conectada como herramienta de un Agent, responde bien a la pregunta.

Componentes relacionados

• Contextual Text Splitter: añade contexto a cada fragmento antes de guardarlo; es la mejor preparación para reordenar.
• Ensemble Retriever: combina búsqueda por palabras y por significado antes de reordenar.
• Qdrant: una base vectorial de la que partir.
• Cohere Rerank: la misma idea con el servicio de Cohere.

Para ver cómo encaja en un sistema completo, consulta Técnicas de búsqueda en la guía de RAG.