---
title: "¿Qué es la búsqueda híbrida? BM25, vectores y RRF | BroadRouter"
description: "La búsqueda híbrida combina la búsqueda por palabras clave (BM25) con la vectorial y fusiona los rankings, a menudo con RRF. Cómo funciona y por qué mejora RAG."
url: https://broadrouter.com/es/glossary/hybrid-search/
lang: es
updated: 2026-11-16
publisher: BroadRouter (a BroadNet site); API by BroadNet Inference, https://inference.broadnet.ai
---

Traducido del inglés con ayuda de IA. [Lea el original en inglés](https://broadrouter.com/glossary/hybrid-search/) (actualizado el 2026-11-16).

# Búsqueda híbrida (hybrid search)

Actualizado 2026-11-16

La búsqueda híbrida es un método de recuperación que ejecuta sobre la misma consulta una búsqueda por palabras clave, como BM25, y una búsqueda vectorial sobre embeddings, y luego fusiona las dos listas ordenadas en una sola, a menudo con reciprocal rank fusion (RRF) o con una suma ponderada de puntuaciones normalizadas.

También llamado: búsqueda híbrida, recuperación híbrida, fusión recíproca de rankings, búsqueda híbrida BM25 y vectores, hybrid search, hybrid retrieval, reciprocal rank fusion, RRF

La búsqueda por palabras clave encuentra las palabras exactas. La búsqueda vectorial encuentra el significado. La búsqueda híbrida ejecuta ambas y fusiona los resultados.

## Cómo funciona

La consulta va a dos recuperadores a la vez:

-   **Palabras clave**: [BM25](https://broadrouter.com/es/glossary/bm25/) sobre un índice invertido. Fuerte con nombres, códigos y términos poco frecuentes.
-   **Vectorial**: vecinos más cercanos sobre [embeddings](https://broadrouter.com/es/glossary/embeddings/) en una [base de datos vectorial](https://broadrouter.com/es/glossary/vector-database/). Fuerte con paráfrasis y sinónimos.

Las dos puntuaciones están en escalas distintas, por lo que la mayoría de los sistemas fusionan por posición o por puntuación normalizada.

**Reciprocal rank fusion (RRF)**, de Cormack, Clarke y Büttcher (SIGIR 2009), suma un término por cada lista en la que aparece un documento. Elasticsearch documenta el bucle como `score += 1.0 / (k + rank(result(q), d))`, con la constante de rango `k` en 60 por defecto. Su documentación dice: “RRF requires no tuning.” (traducción: RRF no requiere ningún ajuste).

Un ejemplo resuelto con k = 60:

| Documento | Posición BM25 | Posición vectorial | Puntuación RRF |
| --- | --- | --- | --- |
| A | 1 | 3 | 1/61 + 1/63 = 0.0323 |
| B | 2 | 1 | 1/62 + 1/61 = 0.0325 |
| C | no encontrado | 2 | 1/62 = 0.0161 |

B gana porque ambos recuperadores lo sitúan arriba.

**La fusión ponderada** es el otro método habitual. El método por defecto de Weaviate desde la v1.24, `relativeScoreFusion`, normaliza las puntuaciones de cada búsqueda y las combina como una suma escalada. Su ajuste `alpha` pondera ambas: 0 es solo palabras clave, 1 es solo vectorial y 0.75 es el valor por defecto del servidor. La documentación recomienda fijar alpha de forma explícita: el valor por defecto de 0.75 solo se aplica cuando una solicitud llega al servidor sin alpha, y no todas las bibliotecas cliente lo dejan sin definir, así que la ponderación real puede ser distinta.

Tras la fusión, muchos pipelines añaden un [reranker](https://broadrouter.com/es/glossary/reranking/) sobre los primeros resultados.

## Por qué importa

-   **Recall.** Las consultas reales mezclan términos exactos y redacción imprecisa. Un solo recuperador pierde parte de ellas.
-   **Árabe.** La ortografía árabe varía (formas del alef, ta marbuta, diacríticos), lo que perjudica la coincidencia exacta por palabras clave si el texto no se normaliza. Añadir búsqueda vectorial ofrece un segundo camino hacia el fragmento correcto. Consulte [búsqueda RAG en árabe](https://broadrouter.com/es/blog/arabic-rag-search/) y [normalización de texto árabe para búsqueda](https://broadrouter.com/es/blog/arabic-text-normalization-search/).
-   **Menos tokens.** Una mejor recuperación significa menos fragmentos enviados al LLM por pregunta.

## En BroadNet Inference

La búsqueda híbrida se ejecuta en su stack de búsqueda: Elasticsearch, OpenSearch, Weaviate o similar. BroadNet no ofrece endpoints de embeddings ni de reranking, así que genere los embeddings con otro proveedor o con un modelo local. Envíe los mejores fragmentos fusionados a un modelo de chat de BroadNet como [Qwen3.8 27B](https://broadrouter.com/es/models/qwen3.8-27b/) o [GLM 5.3](https://broadrouter.com/es/models/glm-5.3/) mediante la Chat Completions API. Con corpus pequeños, compárelo con poner los documentos en un contexto largo; consulte [contexto largo frente a RAG](https://broadrouter.com/es/blog/long-context-vs-rag/).

## Preguntas frecuentes

### ¿Por qué no usar solo búsqueda vectorial?

Los embeddings capturan el significado, pero pueden pasar por alto cadenas exactas como códigos de producto, nombres y mensajes de error. La búsqueda por palabras clave sí las encuentra. Combinarlas cubre ambos tipos de consulta.

### ¿Tengo que ajustar RRF?

Normalmente, no mucho. La documentación de Elasticsearch dice que RRF no requiere ajuste y que los conjuntos de resultados que combina no necesitan puntuaciones de relevancia comparables. Su constante de rango vale 60 por defecto.

### ¿Qué significa alpha en Weaviate?

Pondera los resultados vectoriales frente a los de palabras clave. La documentación de Weaviate dice que alpha 0 es solo búsqueda por palabras clave, alpha 1 es solo búsqueda vectorial y el valor por defecto del servidor es 0.75.

## Vea también

-   [BM25 (ranking por palabras clave)](https://broadrouter.com/es/glossary/bm25/) (término)
-   [Embeddings (vectores de texto)](https://broadrouter.com/es/glossary/embeddings/) (término)
-   [Base de datos vectorial (vector database)](https://broadrouter.com/es/glossary/vector-database/) (término)
-   [Reranking (reordenamiento de resultados)](https://broadrouter.com/es/glossary/reranking/) (término)
-   [RAG (generación aumentada por recuperación)](https://broadrouter.com/es/glossary/rag/) (término)
-   [Chunking (fragmentación de documentos en RAG)](https://broadrouter.com/es/glossary/chunking/) (término)
-   [Usar LlamaIndex con BroadNet Inference mediante OpenAILike](https://broadrouter.com/es/guides/llamaindex-openailike/) (guía)
-   [RAG en árabe: normalización, chunking y recuperación que funciona](https://broadrouter.com/es/blog/arabic-rag-search/) (artículo)
-   [Contexto largo vs RAG: cuándo 1M de tokens reemplaza la base vectorial](https://broadrouter.com/es/blog/long-context-vs-rag/) (artículo)
-   [Normalización de texto árabe para búsqueda y RAG: qué cambiar y qué no](https://broadrouter.com/es/blog/arabic-text-normalization-search/) (artículo)

Pruébelo con su carga de trabajo real. Las cuentas nuevas empiezan con USD 5 de crédito para Gemma y transcripción. DeepSeek, GLM y Qwen3.8 requieren una recarga.

[Comenzar](https://inference.broadnet.ai/account/?utm_source=broadrouter&utm_medium=referral&utm_campaign=es-glossary-hybrid-search&utm_content=page-cta) ·

**Fuentes**

-   [Cormack, Clarke y Büttcher, Reciprocal rank fusion outperforms Condorcet and individual rank learning methods, SIGIR 2009 (consultado el 2026-11-15)](http://cormack.uwaterloo.ca/cormacksigir09-rrf.pdf)
-   [Documentación de Elasticsearch, reciprocal rank fusion (consultado el 2026-11-16)](https://www.elastic.co/docs/reference/elasticsearch/rest-apis/reciprocal-rank-fusion)
-   [Documentación de Weaviate, conceptos de búsqueda híbrida (alpha y métodos de fusión) (consultado el 2026-11-16)](https://docs.weaviate.io/weaviate/concepts/search/hybrid-search)
