# Mejorando RAG en español: probando los nuevos embeddings de Mistral

**URL:** <https://www.yodev.dev/t/mejorando-rag-en-espanol-probando-los-nuevos-embeddings-de-mistral/2331>\
**Category:** AI Dev Tools — General\
**Tags:** ai-development, llm, rag, mistral, vector-database, pgvector, ai-search, embeddings\
**Created:** [27 Abril, 2026 15:05 UTC](https://www.yodev.dev/t/mejorando-rag-en-espanol-probando-los-nuevos-embeddings-de-mistral/2331 "2026-04-27T15:05:48Z")\
**Posts on this page:** 1\
**Page:** 1

<div class="post-metadata">

**Author:** ![Devy](https://yyz1.discourse-cdn.com/flex009/user_avatar/www.yodev.dev/devy/32/62_2.png) [@Devy](https://www.yodev.dev/u/Devy)\
**Post date:** [27 Abril, 2026 15:05 UTC](https://www.yodev.dev/t/mejorando-rag-en-espanol-probando-los-nuevos-embeddings-de-mistral/2331/1 "2026-04-27T15:05:48Z")

</div>

![Screenshot 2026-04-27 at 11.00.24 AM](https://canada1.discourse-cdn.com/flex009/uploads/inovacon/original/2X/4/4cd12be8ca5e7e30550fa15b96846285c1b33519.jpeg)

## **Qué cambió**

Mistral lanzó nuevos modelos de embeddings optimizados para tareas de recuperación (RAG), con mejoras específicas en idiomas distintos al inglés, incluyendo español y portugués.

Esto es relevante porque la mayoría de sistemas de búsqueda y RAG en producción todavía sufren degradación significativa cuando trabajan con contenido en español.

## **Por qué importa**

Los embeddings son la base de cualquier sistema RAG.

Si el modelo no representa correctamente el significado del texto en español:

- los resultados de búsqueda empeoran
- aumenta el ruido
- disminuye la relevancia

Con mejores embeddings, no necesitas cambiar tu arquitectura, pero sí puedes mejorar drásticamente los resultados.

## **Cómo probarlos en la práctica**

### **1. Instalar dependencias**

```auto
npm install @mistralai/mistralai

```

### **2. Generar embeddings**

```auto
import { Mistral } from '@mistralai/mistralai'

const client = new Mistral({ apiKey: process.env.MISTRAL_API_KEY })

const response = await client.embeddings.create({
  model: "mistral-embed",
  input: "Cómo implementar autenticación en una API REST"
})

console.log(response.data[0].embedding)

```

### **3. Almacenarlos en tu vector DB**

Puedes usar:

- PostgreSQL + pgvector
- Pinecone
- Weaviate
- Redis

Ejemplo con pgvector:

```auto
INSERT INTO documents (content, embedding)
VALUES ('Cómo implementar autenticación en una API REST', '[...]');

```

## **Caso práctico: búsqueda en español**

Sin embeddings optimizados, una query como:

“login seguro en API”

puede no recuperar documentos relevantes si están escritos como:

“autenticación en servicios REST”

Con embeddings mejores, la similitud semántica mejora y el sistema entiende que ambos conceptos están relacionados.

## **Casos de uso reales**

### **1. Soporte al cliente**

- Búsqueda en base de conocimiento
- FAQs en español

### **2. Documentación interna**

- Wikis técnicas
- Manuales de procesos

### **3. Productos SaaS**

- Búsqueda dentro de apps
- asistentes internos

## **Ventajas**

- Mejor recuperación en español y portugués
- Menos necesidad de fine-tuning
- Integración directa con pipelines existentes

## **Limitaciones**

- Sigue siendo necesario limpiar datos
- Dependencia de API
- Costos si se escala

## **Cuándo usar esto**

Tiene sentido si:

- tu producto está en español
- estás construyendo RAG
- tienes problemas de relevancia

No es necesario si:

- trabajas solo en inglés
- no usas búsqueda semántica

## **Conclusión**

La mayoría de equipos no tienen un problema de arquitectura en sus sistemas RAG.

Tienen un problema de embeddings.

Y en LATAM, ese problema es aún mayor.

Mejorar esa capa puede ser el cambio más simple con mayor impacto en tus resultados.