GuíaAvanzado

Búsqueda y Recomendación con LLMs

La caja de búsqueda y la sección "te puede interesar" de una tienda son producto: deciden qué ve cada cliente y, por lo tanto, qué se vende. Esta guía te enseña a construirlas y a mejorarlas con LLMs sin perder de vista lo que de verdad importa: medir. Recorres el embudo completo, de la recuperación de candidatos (léxica, con vectores y híbrida) a entender la consulta, ordenar con un ranker entrenado, reordenar con un LLM y aplicar reglas de negocio; y del lado de la recomendación, de la popularidad y el filtrado colaborativo a los semantic IDs, la recuperación generativa y los híbridos en los que un LLM interpreta y un recomendador clásico ordena. Lo aprendes en **Kestrova**, una tienda ficticia de equipo para exteriores con 560 productos, 1,500 compradores y 92 consultas con juicios de relevancia. Ves por qué una búsqueda léxica devuelve polainas cuando alguien pide botas impermeables, cuánto gana entender la consulta con un LLM frente a reordenar con él (y cuánto cuesta cada cosa por cada mil búsquedas), cómo el sesgo de posición de un reranker cambia el resultado según el orden en que le das los candidatos, por qué un juez LLM puede invertir la comparación entre sistemas si no se arma bien el pool, cómo un semantic ID permite recomendar un producto que nadie ha comprado todavía, y por qué el interleaving detecta con mucho menos tráfico una diferencia que una prueba A/B no alcanza a ver. Todo corre en tu laptop sin llave de API: un catálogo sintético determinista, BM25 escrito desde cero, vectores calculados con numpy (sin descargar modelos), un modelo simulado con la misma forma de respuesta que la Messages API de Claude, y métricas reales (recall@k, MRR, NDCG, intervalos bootstrap) calculadas sobre esos datos. Ves exactamente los mismos números que la guía. Un modo `--live` opcional usa la API real con structured outputs.