# Encontrar embeddings El bloque permite, dado un embedding de consulta[^1], encontrar en la base de conocimientos, que consiste en una tabla de objetos y sus embeddings, las filas más similares y devolver los índices de estas filas en forma de lista, ordenada de mayor a menor similitud. Los embeddings tanto para la consulta como para la tabla de embeddings en la que se realiza la búsqueda pueden obtenerse mediante el bloque "Obtener embeddings". En la primera utilización del bloque, se construye la base de datos de vectores, lo que puede llevar un tiempo considerable. En llamadas posteriores al bloque con el mismo "ID de base", se utilizará la base de datos de vectores ya creada, y la velocidad de funcionamiento del bloque aumenta considerablemente.


Embedding de consulta	[Texto] Embedding para el cual se deben encontrar filas similares en la tabla. El valor para este campo puede obtenerse mediante el bloque "Obtener embedding".
Base de conocimientos	[Tabla de Datos] Tabla en la que se realizará la búsqueda. Una de las columnas de la tabla debe contener embeddings, las otras columnas pueden contener cualquier dato del usuario.
ID de base	[Texto] Se puede especificar otro ID de base para que el bloque, al iniciarse por primera vez, comience a construir la base de datos de vectores desde cero. En la primera utilización del bloque, se construye la base de datos de vectores y esto puede llevar un tiempo considerable. En llamadas posteriores al bloque con el mismo "ID de base", se utilizará la base de datos de vectores ya creada y la velocidad de funcionamiento del bloque aumenta considerablemente.
Columna de embeddings	[Número/Text] Índice o nombre de la columna de la tabla especificada en la propiedad "Base de conocimientos", donde se encuentran los embeddings. Por defecto `1`.
Cantidad de resultados	[Número] Cantidad máxima de filas de resultados devueltas por el bloque desde la base de conocimientos. Por defecto `5`.
Índices de filas	[Lista] Lista de índices de filas de la Base de conocimientos que contienen los embeddings más similares a la consulta, ordenados de mayor a menor similitud.
Similitud	[Lista] Medidas numéricas de similitud para cada uno de los resultados.
Nivel de procesamiento	Selección del nivel de manejo de errores. Valores posibles: "Default" - por defecto; "Ignore" - se ignoran los errores; "Handle" - se manejan los errores. Si se selecciona el valor "Default", se utilizará el valor del bloque "Inicio" de este diagrama.
Nivel de mensajes	Selección del nivel de mensajes que los bloques mostrarán durante su funcionamiento. Valores posibles: "Default" - por defecto; "Release" - salida desactivada; "Debug" - salida de información básica; "Detailed" - salida de información detallada. Si se selecciona el valor "Default", se utilizará el valor del bloque "Inicio" de este diagrama.
Texto de error	[Texto] Devuelve información detallada sobre el error en caso de que la ejecución del bloque no sea correcta.

[^1]: Un embedding es un vector (conjunto de números) que caracteriza el significado asociado con el texto de entrada proporcionado. Las palabras o frases con significados similares tendrán embeddings con una distancia coseno mínima. Los embeddings también pueden utilizarse para buscar las palabras, filas o párrafos más cercanos en significado en bases de datos de documentos. --- # Agent Instructions: Querying This Documentation If you need additional information that is not directly available in this page, you can query the documentation dynamically by asking a question. Perform an HTTP GET request on the current page URL with the `ask` query parameter: ``` GET https://docs.sherparpa.ru/es/sherpa-rpa/sherpa-designer/spravochnik-blokov/mashinnoe-obuchenie-machine-learning/naiti-embeddingi-openaisearchembeddings.md?ask= ``` The question should be specific, self-contained, and written in natural language. The response will contain a direct answer to the question and relevant excerpts and sources from the documentation. Use this mechanism when the answer is not explicitly present in the current page, you need clarification or additional context, or you want to retrieve related documentation sections.