# Embeddings *** Un embedding es un vector (lista) de números de punto flotante. La distancia entre dos vectores mide su relación. Distancias pequeñas sugieren una alta relación y distancias grandes sugieren una baja relación. Los embeddings pueden usarse para crear una representación numérica de datos textuales. Esta representación numérica es útil porque puede usarse para encontrar documentos similares. Se utilizan comúnmente para: * Búsqueda (donde los resultados se clasifican por relevancia a una consulta) * Agrupación (donde las cadenas de texto se agrupan por similitud) * Recomendaciones (donde se recomiendan elementos con cadenas de texto relacionadas) * Detección de anomalías (donde se identifican valores atípicos con poca relación) * Medición de diversidad (donde se analizan las distribuciones de similitud) * Clasificación (donde las cadenas de texto se clasifican por su etiqueta más similar) ### Nodos de Embeddings: * [Azure OpenAI Embeddings](/espanol/documentacion-oficial/integraciones/llamaindex/embeddings/azure-openai-embeddings.md) * [OpenAI Embedding](/espanol/documentacion-oficial/integraciones/llamaindex/embeddings/openai-embedding.md) --- # 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.flowiseai.com/espanol/documentacion-oficial/integraciones/llamaindex/embeddings.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.