Scorer Retriever
Scorer Retriever busca en una base vectorial y descarta los documentos cuyo parecido con la pregunta no llega a una puntuación mínima. Evita que el agente reciba resultados que no tienen que ver.
Un buscador (retriever) recibe una pregunta y devuelve los fragmentos de documentos que mejor la responden, para que un agente o un modelo conteste con tu información.
Cuándo usarlo
- Prefieres que el agente diga que no sabe antes que responder con documentos poco relacionados.
- Quieres controlar la calidad mínima de los resultados.
Configuración
| Campo | Qué hace |
|---|---|
| Search Query | La pregunta. |
| Vector Store | La salida Vector Store de la base donde se busca. |
| Score Threshold | La relevancia mínima, de 0 (nada que ver) a 1 (idéntico). Por defecto, 0, sin descartar nada. |
Opciones avanzadas
| Campo | Qué hace |
|---|---|
| Number of Results | Cuántos documentos se devuelven como máximo. Por defecto, 10. |
Resultado
- Retriever: el buscador, para conectarlo a componentes que piden un buscador, como otro de esta familia o un componente de preguntas y respuestas.
- Search Results: los fragmentos encontrados para Search Query, cada uno con su relevancia en
score, que puedes pasar a un prompt o a un agente.
Uso como herramienta de un agente
Conecta Scorer Retriever a la entrada Tools de un Agent y el agente buscará por su cuenta: él escribe Search Query con la pregunta. Por defecto se llama scored_search; en la pestaña Tool cambia la descripción para decir qué hay en tus documentos.
Ejemplo
Un centro de salud quiere que su asistente solo responda con protocolos muy relacionados con la consulta.
- Conecta la salida Vector Store de su base de protocolos a Vector Store.
- Lanza unas cuantas preguntas y mira el
scorede cada resultado: el de los buenos y el de los que no tienen que ver. - Pon Score Threshold entre los dos.
Buenas prácticas
- Mira las puntuaciones antes de elegir el umbral: dependen del modelo de embeddings y de la base. En nuestra prueba del 17 de octubre de 2026 (9 documentos, 40 preguntas, un conjunto sintético), las preguntas sin respuesta en los documentos puntuaban tan alto como muchas que sí la tenían, así que un umbral no podía separarlas. Para decir «no hay respuesta», usa Minimum Relevance de Local Rerank.
Componentes relacionados
- Chroma DB: una base vectorial de la que pueden partir estos buscadores.