---
title: "RAG en árabe: normalización, chunking y embeddings | BroadRouter"
description: "RAG sobre documentos en árabe: normalice alef, ya y ta marbuta, divida en chunks con criterio, elija embeddings multilingües y añada búsqueda por palabras clave."
url: https://broadrouter.com/es/blog/arabic-rag-search/
lang: es
updated: 2026-11-14
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/blog/arabic-rag-search/) (actualizado el 2026-11-14).

# RAG en árabe: normalización, chunking y recuperación que funciona

Por el equipo de BroadNet Inference · 6 min de lectura · Publicado 2026-11-14

El RAG en árabe funciona cuando normaliza el texto antes de indexar (unificar formas de alef, ya y alef maqsura, ta marbuta, quitar diacríticos y tatweel), divide por párrafos, combina un modelo de embeddings multilingüe con búsqueda por palabras clave y deja que un LLM de contexto largo responda a partir de los pasajes recuperados, con citas. Aplique la misma normalización a las consultas.

## Puntos clave

-   Normalice documentos y consultas de la misma forma: أ/إ/آ a ا, ى a ي, ة a ه, sin diacríticos ni tatweel.
-   Conserve el texto original para mostrarlo; indexe la copia normalizada.
-   Combine búsqueda por palabras clave con un analizador de árabe y embeddings multilingües, y luego compare la búsqueda híbrida con cada una por separado en sus propias consultas.
-   Elija un modelo de embeddings multilingüe que haya probado con consultas en árabe. BroadNet Inference no ofrece un endpoint de embeddings.
-   Los modelos de contexto largo le permiten recuperar con generosidad: DeepSeek V4.1 Flash y GLM 5.3 aceptan 1,048,576 tokens.

**En esta página**

1.  ¿Cómo es un pipeline de RAG en árabe?
2.  ¿Cómo debe normalizar el texto árabe para la búsqueda?
3.  ¿Cómo debe dividir los documentos en árabe?
4.  ¿Por qué combinar búsqueda por palabras clave y embeddings?
5.  ¿Cómo se generan respuestas con citas?
6.  ¿Cómo se evalúa el RAG en árabe?

_[image: A man speaking into a microphone beside the Arabic word "حوار" (conversation), with the text "Conversations, ready to search."]_

Para que la [generación aumentada por recuperación](https://broadrouter.com/es/glossary/rag/) (RAG) funcione en árabe, normalice documentos y consultas con las mismas reglas ortográficas, divida por párrafos, busque con un analizador de palabras clave para árabe y con un modelo de embeddings multilingüe, y haga que el LLM responda solo a partir de los pasajes recuperados, con citas.

El patrón, tomado del [artículo original de RAG](https://arxiv.org/abs/2005.11401), es recuperar y luego generar. La mayoría de los fallos del RAG en árabe ocurren en la primera mitad. Un usuario escribe “الفاتوره” y el índice guarda “الفاتورة”; una política dice “إلغاء” y el usuario escribe “الغاء”; el modelo de embeddings se entrenó sobre todo con inglés. Arregle la recuperación y la parte del LLM suele resolverse sola.

## ¿Cómo es un pipeline de RAG en árabe?

1.  **Extraiga** el texto de PDF, páginas web y artículos del centro de ayuda. Para PDF en árabe escaneados, consulte [OCR árabe frente a LLM de visión](https://broadrouter.com/es/blog/arabic-ocr-vision-llm/).
2.  **Normalice** una copia del texto para indexarla.
3.  **Divida** según la estructura: encabezados y párrafos.
4.  **Indexe** dos veces: un índice de palabras clave y un índice vectorial.
5.  **Recupere** de ambos con la consulta normalizada, combine y reordene.
6.  **Genere** una respuesta a partir de los mejores pasajes, citándolos.

## ¿Cómo debe normalizar el texto árabe para la búsqueda?

El árabe admite varias grafías para la misma palabra, y los usuarios rara vez escriben los diacríticos o la hamza de forma consistente. Normalice la copia indexada y cada consulta con la misma función:

| Regla | Caracteres | Por qué |
| --- | --- | --- |
| Unificar alef | أ إ آ ٱ → ا | La hamza suele omitirse al escribir |
| Alef maqsura | ى → ي | Común al teclear en Egipto y en la escritura informal |
| Ta marbuta | ة → ه | Los usuarios escriben ه al final de palabra |
| Quitar diacríticos | U+064B a U+0652, U+0670 | La mayoría de los textos y consultas no llevan vocales |
| Quitar tatweel | ـ (U+0640) | Alargamiento decorativo |
| Cifras | ٠–٩ → 0–9 | Que los números coincidan en cualquier forma |

Pruebe cada opción con su propio texto en el [normalizador de texto árabe](https://broadrouter.com/tools/arabic-text-normalizer/), que además genera la función de Python correspondiente.

```python
import re

_DIAC = re.compile(r"[ً-ْٰ]")

def normalise(text: str) -> str:
    text = _DIAC.sub("", text).replace("ـ", "")
    text = re.sub("[أإآٱ]", "ا", text)
    text = text.replace("ى", "ي").replace("ة", "ه")
    return text.translate(str.maketrans("٠١٢٣٤٥٦٧٨٩", "0123456789"))
```

Los puntos de código están en la [tabla árabe de Unicode](https://www.unicode.org/charts/PDF/U0600.pdf). Dos advertencias:

-   **Nunca muestre el texto normalizado.** Guarde el original junto a él y muestre, cite y envíe al LLM el original. El árabe normalizado parece mal escrito a los lectores.
-   **Algunas fusiones pierden significado.** ة → ه fusiona algunos pares de palabras, y ى → ي fusiona “على” (sobre) con “علي” (Alí). Para el recall de búsqueda, ese intercambio suele valer la pena; pruébelo con sus propias consultas.

Las mismas reglas son centrales para [medir la precisión del reconocimiento de voz en árabe](https://broadrouter.com/es/blog/arabic-asr-wer-explained/), así que puede reutilizar una sola función en todo su stack.

## ¿Cómo debe dividir los documentos en árabe?

-   **Divida según la estructura.** Los encabezados, los artículos numerados de los contratos (المادة ١، المادة ٢) y los saltos de párrafo son límites naturales.
-   **Unos cientos de palabras por chunk,** con una o dos frases de solapamiento. Las palabras árabes llevan más morfemas que las inglesas, así que un chunk cubre más significado por palabra de lo que sugiere su longitud.
-   **Límites de frase:** divida en . ؟ ! y en la coma árabe ، solo como último recurso. Muchos textos árabes usan frases largas unidas con و, así que dividir por párrafos es más seguro.
-   **Arrastre el contexto.** Anteponga a cada chunk el título del documento y el encabezado de la sección, en árabe, para que un chunk que dice “تُطبَّق هذه الرسوم” (se aplican estas tarifas) siga indicando qué tarifas.

La [calculadora de chunking para RAG](https://broadrouter.com/tools/rag-chunking-calculator/) convierte el tamaño de chunk, el solapamiento y el top-k en número de chunks, tokens por consulta y costo mensual.

## ¿Por qué combinar búsqueda por palabras clave y embeddings?

### Búsqueda por palabras clave

La morfología árabe derrota a la coincidencia ingenua de palabras clave: كتاب, الكتاب, بالكتاب, وكتابه y كتب se relacionan todas con «libro». Use un analizador que maneje el árabe. Elasticsearch incluye un [analizador de idioma árabe](https://www.elastic.co/guide/en/elasticsearch/reference/current/analysis-lang-analyzer.html) que encadena stop words árabes, normalización de cifras, normalización árabe y un stemmer árabe, de modo que formas con prefijo como الكتاب y وكتاب coinciden más a menudo. Revise qué fusiona con su propio vocabulario antes de confiar en él.

### Embeddings

Los [modelos de embeddings](https://broadrouter.com/es/glossary/embeddings/) convierten el texto en vectores de modo que los pasajes con significado parecido quedan cerca, aunque no compartan palabras. Para árabe, elija un modelo multilingüe y pruébelo:

-   **Prefiera modelos entrenados en muchos idiomas,** como [BGE M3](https://arxiv.org/abs/2402.03216), que sus autores describen como compatible con más de 100 idiomas de trabajo. Los modelos solo en inglés dan vectores pobres en árabe.
-   **Pruebe la recuperación entre idiomas** si los usuarios preguntan en inglés por documentos en árabe, o al revés.
-   **Genere embeddings del texto original o del normalizado, pero sea consistente** entre documentos y consultas. Pruebe ambos; los resultados varían según el modelo.

BroadNet Inference no ofrece un endpoint de embeddings: sus endpoints documentados son chat completions y transcripciones de audio. Use un proveedor de embeddings de su confianza, o aloje un modelo de embeddings multilingüe abierto en una [base de datos vectorial](https://broadrouter.com/es/glossary/vector-database/), y use BroadNet para la generación. La [calculadora de costo de embeddings](https://broadrouter.com/tools/embedding-cost-calculator/) estima el costo de indexación y consultas entre proveedores.

### Combinar y reordenar

Ejecute ambas búsquedas, combine los resultados con reciprocal rank fusion (puntúe cada documento con la suma de 1 / (k + rank) en todas las listas) y quédese con los 10 a 30 mejores pasajes. Un reranker o una comprobación rápida de relevancia con un LLM puede recortar más, pero con modelos de contexto largo a menudo puede omitirlo.

## ¿Cómo se generan respuestas con citas?

Entregue al modelo los pasajes con identificadores y pídale que responda solo a partir de ellos:

```python
import os
from openai import OpenAI

client = OpenAI(base_url="https://inference.broadnet.ai/v1", api_key=os.environ["BROADNET_API_KEY"])

def answer(question: str, passages: list[dict]) -> str:
    context = "\n\n".join(f"[{p['id']}] {p['title']}\n{p['text']}" for p in passages)
    system = ("أجب عن سؤال المستخدم بالعربية الفصحى المبسطة، اعتماداً فقط على المقاطع المرفقة. "
              "اذكر رقم المقطع بين قوسين مربعين بعد كل معلومة. "
              "إذا لم تجد الإجابة في المقاطع فقل ذلك بوضوح.")
    r = client.chat.completions.create(
        model="broadnet/deepseek-v4.1-flash",
        max_tokens=4000,
        messages=[{"role": "system", "content": system},
                  {"role": "user", "content": f"المقاطع:\n{context}\n\nالسؤال: {question}"}],
    )
    return r.choices[0].message.content
```

El prompt de sistema en árabe dice: «Responda la pregunta del usuario en árabe estándar moderno sencillo, basándose solo en los pasajes adjuntos. Cite el número del pasaje entre corchetes después de cada dato. Si no encuentra la respuesta en los pasajes, dígalo con claridad». Las instrucciones en inglés funcionan igual de bien; lo que importa es la regla de responder solo a partir de los pasajes y citar.

Coloque los pasajes antes de la pregunta. Si los mismos documentos aparecen en muchas solicitudes, manténgalos en el mismo orden al inicio del prompt para que se aplique el precio de entrada en caché; consulte [tokens de entrada en caché](https://broadrouter.com/es/blog/cached-input-tokens-explained/).

### ¿Qué modelo?

| Modelo | Contexto | Por qué |
| --- | --- | --- |
| [DeepSeek V4.1 Flash](https://broadrouter.com/es/models/deepseek-v4.1-flash/) | 1,048,576 | La tarifa de entrada en caché más baja de estos tres en BroadNet ($0.0055 por 1M de tokens), espacio para muchos pasajes, planes de tarifa plana disponibles |
| [GLM 5.3](https://broadrouter.com/es/models/glm-5.3/) | 1,048,576 | Herramientas y salida estructurada para recuperación agéntica |
| [Qwen3.8 27B](https://broadrouter.com/es/models/qwen3.8-27b/) | 262,144 | BroadNet lo probó en árabe: redacción fluida, entiende los dialectos del Golfo y egipcio |

Con un contexto de un millón de tokens puede recuperar con generosidad, por ejemplo 50 pasajes en lugar de 5, y dejar que el modelo elija. Eso reduce el daño cuando la recuperación coloca el pasaje correcto en el puesto 12. Para conjuntos pequeños de documentos quizá ni siquiera necesite recuperación; consulte [contexto largo frente a RAG](https://broadrouter.com/es/blog/long-context-vs-rag/) y compruebe si su corpus cabe con la [calculadora de ventana de contexto](https://broadrouter.com/tools/context-window-calculator/). Los precios de todos los modelos están en la [página de precios](https://broadrouter.com/es/pricing/).

## ¿Cómo se evalúa el RAG en árabe?

1.  Escriba de 50 a 100 preguntas reales, con la mezcla de MSA, dialecto e inglés que sus usuarios realmente escriben.
2.  Marque el pasaje que responde cada una.
3.  Mida primero la recuperación: ¿está el pasaje correcto entre los 10 primeros? Compare solo palabras clave, solo embeddings e híbrido, con y sin normalización.
4.  Luego mida las respuestas: correctas, citadas y «no encontrado» cuando falta la respuesta.
5.  Incluya a propósito consultas mal escritas y en dialecto. Los usuarios escriben “وين الفاتوره” (Golfo/Levante: dónde está la factura), no “أين الفاتورة”.

Arregle la recuperación antes de cambiar el modelo de generación: si el pasaje correcto nunca llega al prompt, ningún modelo puede citarlo.

Herramientas gratuitas sobre este tema (en inglés)

-   [Arabic token counter](https://broadrouter.com/tools/arabic-token-counter/) Arabic vs English token counts per tokenizer: the "Arabic tax" in tokens and money.
-   [Arabic text normalizer](https://broadrouter.com/tools/arabic-text-normalizer/) Tashkeel, tatweel, alef, ya, ta marbuta, digits and invisible characters, with a matching Python function.
-   [Speech-to-text cost calculator](https://broadrouter.com/tools/speech-to-text-cost-calculator/) Hours, calls or voice notes to a monthly transcription bill, against your current provider.

[Herramientas gratuitas (en inglés)](https://broadrouter.com/tools/)

## Términos de este artículo

[Embeddings (vectores de texto)](https://broadrouter.com/es/glossary/embeddings/)

Los embeddings son listas de números de punto flotante (vectores) que un modelo produce para representar un texto, una imagen u otra entrada. Las entradas de significado parecido obtienen vectores cercanos, así que la distancia entre vectores sirve para ordenar resultados de búsqueda, agrupar documentos o encontrar elementos relacionados.

[RAG (generación aumentada por recuperación)](https://broadrouter.com/es/glossary/rag/)

RAG (generación aumentada por recuperación) es un patrón en el que una aplicación primero recupera, de un almacén externo como un índice de búsqueda o vectorial, fragmentos relevantes para una pregunta, y luego los agrega al prompt para que un modelo de lenguaje responda con ese texto y no solo de memoria.

[Token](https://broadrouter.com/es/glossary/token/)

Un token es la unidad de texto que un modelo de lenguaje lee y escribe: una palabra, parte de una palabra, un signo de puntuación o una secuencia de bytes producida por el tokenizador del modelo. Las APIs de LLM cuentan, limitan y normalmente facturan el uso en tokens.

[Llamadas a herramientas (tool calling)](https://broadrouter.com/es/glossary/tool-calling/)

Las llamadas a herramientas (tool calling), también llamadas function calling, son una función de las APIs de LLM en la que el modelo devuelve una solicitud estructurada para ejecutar una función definida por el desarrollador, con argumentos JSON. La aplicación ejecuta la función y devuelve el resultado; el modelo nunca ejecuta código.

[Hamza](https://broadrouter.com/es/glossary/hamza/)

La hamza (ء) es la letra árabe que representa la oclusiva glotal. Se escribe sola o sobre un soporte: alef (أ إ), waw (ؤ) o yeh (ئ), y آ combina alef con madda. Como el texto escrito es irregular al respecto, los buscadores y la evaluación de voz suelen plegar las formas de alef en ا.

[Árabe estándar moderno (MSA, fusha)](https://broadrouter.com/es/glossary/msa/)

El árabe estándar moderno (MSA) es la forma estandarizada del árabe que se usa en la escritura, las noticias, la educación y el habla formal en todo el mundo árabe. No es la lengua materna cotidiana de nadie: la gente habla dialectos regionales, como el egipcio o el del Golfo, y cambia al MSA en contextos formales.

[Tokens de entrada en caché (cached input tokens)](https://broadrouter.com/es/glossary/cached-input-tokens/)

Los tokens de entrada en caché son tokens del prompt que un proveedor de LLM procesó recientemente y puede reutilizar desde un caché en lugar de calcularlos de nuevo; normalmente son un prefijo repetido, como un prompt de sistema o un documento. Los proveedores los cobran a una tarifa menor que los tokens de entrada nuevos.

[BM25 (ranking por palabras clave)](https://broadrouter.com/es/glossary/bm25/)

BM25 (Okapi BM25) es una función de ranking para búsqueda por palabras clave que puntúa un documento según la frecuencia con que aparecen en él los términos de la consulta, lo raros que son esos términos en la colección y la longitud del documento. Es la similitud predeterminada en Lucene y Elasticsearch.

## Preguntas frecuentes

### ¿BroadNet Inference ofrece embeddings?

No. Sus endpoints documentados son chat completions y transcripciones de audio. Use un modelo de embeddings de otro proveedor o ejecute usted mismo un modelo de embeddings multilingüe abierto, y use BroadNet para el paso de generación.

### ¿Debo normalizar la ta marbuta a ha?

Para búsqueda, por lo general sí, porque los usuarios escriben ambas. Fusiona algunas palabras distintas, pero en la mayoría de los corpus la ganancia en recall compensa. Conserve el texto original para mostrarlo y citarlo.

### ¿Qué tamaño deben tener los chunks en árabe?

Empiece con uno a tres párrafos, unos cientos de palabras, con un pequeño solapamiento. Divida en encabezados y saltos de párrafo, no a mitad de frase, y mantenga el título del documento con cada chunk.

### ¿Qué modelo de embeddings funciona para árabe?

Use un modelo multilingüe y pruébelo con sus propias consultas en árabe. BGE M3, por ejemplo, es descrito por sus autores como compatible con recuperación en más de 100 idiomas de trabajo. Los modelos de embeddings solo en inglés dan vectores pobres en árabe.

### ¿Pueden los usuarios buscar en inglés y encontrar documentos en árabe?

Sí, con un modelo de embeddings multilingüe que lleve ambos idiomas a un mismo espacio, o traduciendo la consulta con un LLM antes de la búsqueda por palabras clave. Pruebe explícitamente las consultas entre idiomas.

## Siga leyendo

-   [Contexto largo vs RAG: cuándo 1M de tokens reemplaza la base vectorial](https://broadrouter.com/es/blog/long-context-vs-rag/)
-   [Tasa de error de palabras (WER) en el reconocimiento de voz en árabe](https://broadrouter.com/es/blog/arabic-asr-wer-explained/)
-   [Ingeniería de prompts en árabe: registro, RTL, cifras y texto mixto](https://broadrouter.com/es/blog/arabic-prompt-engineering/)
-   [Cómo elegir una API de LLM para árabe: qué probar](https://broadrouter.com/es/blog/choosing-an-llm-for-arabic/)
-   [Añadir diacríticos al texto árabe con un LLM: prompt, controles y DER](https://broadrouter.com/es/blog/arabic-diacritization-llm/)
-   [Corrección gramatical y ortográfica del árabe con un LLM: cómo hacerla](https://broadrouter.com/es/blog/arabic-grammar-spelling-correction-llm/)
-   [Guía: Cómo usar LangChain con BroadNet Inference](https://broadrouter.com/es/guides/langchain-openai-base-url/)
-   [Guía: Usar el SDK de OpenAI para Python con BroadNet Inference](https://broadrouter.com/es/guides/openai-python-sdk/)

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-blog-arabic-rag-search&utm_content=page-cta) ·

**Fuentes**

-   [Lewis et al., Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks (arXiv 2005.11401; consultado el 2026-11-14)](https://arxiv.org/abs/2005.11401)
-   [Chen et al., M3-Embedding: más de 100 idiomas de trabajo (arXiv 2402.03216; consultado el 2026-11-14)](https://arxiv.org/abs/2402.03216)
-   [Analizadores de idioma de Elasticsearch, filtros del analizador arabic (consultado el 2026-11-14)](https://www.elastic.co/guide/en/elasticsearch/reference/current/analysis-lang-analyzer.html)
-   [Tabla de códigos árabe de Unicode, U+0600 a U+06FF (consultada el 2026-11-14)](https://www.unicode.org/charts/PDF/U0600.pdf)
-   [Referencia de la API de BroadNet Inference, endpoints disponibles (consultada el 2026-11-14) (en inglés)](https://inference.broadnet.ai/docs?utm_source=broadrouter&utm_medium=referral&utm_campaign=es-blog-arabic-rag-search&utm_content=sources)
