El buscador de Mir Kvestov entiende texto libre: el 37% de las búsquedas llega a la ficha de un quest
Un visitante de Mir Kvestov escribe «algo de miedo para dos». El catálogo no tiene esa categoría, y el buscador no entendía la frase. Ahora seis clasificadores LLM la convierten en filtros: nivel de miedo 2–3 y dos jugadores. El resultado: el 37% de las búsquedas termina con la apertura de la ficha de un quest, otro 52% con un ajuste de filtros, y solo el 11% se queda sin ninguna acción. Si no tienes historial de usuarios, bastan una encuesta a compradores y un LLM.
Procesado por IA desde Habr AI; editado por Hamidun News
Imagina que un visitante de un sitio con tres mil quests escribe en el buscador «algo de miedo para dos». El catálogo no tiene esa categoría: solo niveles de miedo de 0 a 3, número de jugadores, formato y temática. Un buscador que trabaja con palabras exactas devolverá una página vacía o resultados aleatorios, y la persona se marchará sin reservar.
Este es el problema que resolvió el agregador Mir Kvestov (7,5 millones de visitantes al año): seis modelos de lenguaje en modo de clasificación (clasificadores LLM) traducen la frase en lenguaje natural a filtros del catálogo. Como resultado, el 37% de las búsquedas termina con la apertura de la ficha de un quest, el 52% con un cambio de filtros y una nueva consulta de resultados, y solo el 11% no acaba en ninguna de las dos cosas. Para quienes desarrollan catálogos de nicho, el caso es útil porque muestra cómo prescindir de grandes registros de usuarios.
El problema: no hay a quién recomendar ni con qué
El mercado de quests está maduro y, según Wordstat, la demanda no crece. Por eso la principal reserva de crecimiento es ayudar a quien ya ha llegado a encontrar su quest. Pero el 65% de los visitantes no ha iniciado sesión: no tiene historial de navegación, y un sistema de recomendación clásico aconseja precisamente a partir del historial. Los resultados por defecto mostraban a todos lo más popular: quests de miedo y performances. A quienes buscaban una aventura o un quest de detectives eso no les servía; según la estimación del autor, son entre el 11–17% de los visitantes.
En lugar del historial, el equipo preguntó a los propios compradores. Tras la reserva se ofrece un cuestionario de 10–12 preguntas: géneros, ambientación, nivel de miedo y de dificultad, con quién va la persona y con qué motivo. En un año se reúnen entre 20–30 mil cuestionarios, cada uno asociado al quest reservado. El resultado es un conjunto de datos etiquetado: a la izquierda, las preferencias; a la derecha, la elección.
Versión 1: 120 casillas se convierten en tres clics
El cuestionario tiene unas 120 opciones de respuesta, y nadie las marcará todas en un sitio web. Por eso las preguntas se comprimieron en tres pasos. Las respuestas se codificaron como rasgos 0 o 1. Los quests se agruparon con k-means en clases según el perfil medio de sus compradores. Después se entrenó un árbol de decisión de profundidad 6 para adivinar la clase de un quest con el mínimo de respuestas.
En el sitio, esto aparece como botones de sugerencia bajo la barra de búsqueda. El visitante pulsa «No da miedo», «Para niños», «criaturas mágicas», y la frase se compone sola en la barra: «Quest sin miedo para niños sobre criaturas mágicas, de género acción, para 4 personas». La precisión del árbol es del 76% (proporción de predicciones correctas), el recall del 65% (cuántas clases correctas encuentra el modelo) y el F1-score del 67% (la media entre ambos). Para recomendar bastan tres clics, mientras que la gente suele hacer 4–5.
El inconveniente apareció pronto: las categorías las inventaron profesionales, y el visitante no tiene por qué distinguir el suspense del thriller y del terror. Quien pulsaba las sugerencias recibía una recomendación; quien escribía, no.
Versión 2: seis clasificadores analizan el texto al vuelo
Entonces se añadieron seis clasificadores LLM, uno por parámetro: nivel de miedo (0–3), dificultad, número de jugadores, edad mínima, formato y temática. La consulta se envía a los modelos mientras la persona escribe. La frase «de miedo para dos» se convierte en miedo 2–3 y dos jugadores; el resto de los campos queda vacío.
A continuación ocurren dos cosas. El árbol de sugerencias salta por sí solo a la rama «De miedo o terror», y el visitante ve que lo han entendido. Las palabras reconocidas pasan a ser filtros exactos, y a la búsqueda de texto solo llega el resto, por ejemplo el nombre del quest. La entrada es híbrida: se puede pulsar el chip «Misterio» y añadir «para dos», o empezar por el texto y afinar con clics. El chip se borra con una sola pulsación; el texto, carácter a carácter.
Métricas y cómo leerlas
Se consideró éxito la apertura de la ficha de un quest tras la búsqueda, y reformulación el cambio de filtros sin abrir ninguna ficha. Una pausa de más de 30 minutos inicia una nueva sesión. La reformulación no es necesariamente un fracaso: la persona ha mirado los resultados y está afinando su consulta. Son métricas de producto, no la conversión a reserva.
Como referencia, el autor aporta datos abiertos: en estudios de Yandex de 2009–2014, el 42–49% de las sesiones contenía una consulta repetida, y en eBay más de la mitad de las consultas forman parte de cadenas de reformulación (Hirsch y coautores, SIGIR 2020). Las fuentes cuentan de forma distinta (búsquedas, sesiones, consultas), así que solo se puede comparar el orden de magnitud, no los porcentajes exactos. En orden de magnitud, Mir Kvestov está en el mismo nivel que los grandes buscadores.
Los gigantes también usan técnicas parecidas. Pinterest añadió en 2014 refinamientos clicables y obtuvo un 25% más de búsquedas por persona. Instacart, en 2025, atiende las consultas frecuentes desde la caché y las raras con una Llama 3 8B ajustada, en unos 300 ms; las quejas por malos resultados se redujeron a la mitad. Airbnb resolvió en 2026 el arranque en frío con unas 500 encuestas a usuarios y consultas sintéticas generadas por un LLM. La diferencia está en los datos: las grandes tecnológicas tienen millones de productos y de registros, mientras que un catálogo de nicho tiene pocos, y por eso aquí se optó por la encuesta y el árbol.
Qué llevarse al trabajo
Si no tienes datos de usuarios, pregunta a quienes ya han comprado: la encuesta ofrece un conjunto de datos etiquetado. Un cuestionario largo se puede comprimir con un árbol: 120 casillas se convirtieron en 3–5 clics. Y no obligues a los clientes a pensar en el idioma de tus categorías: que escriban como quieran, y los clasificadores traducirán el texto a filtros. La búsqueda híbrida funciona en mir-kvestov.ru.
- 12 oct 2026"Mundo de Quests" lanza el bot de IA Questosha y prueba cinco modelos en 12 puertas críticas
- 2 may 2026Cómo se prueban las redes neuronales: de los escape rooms al juego de hacerse pasar por humano
- 1 nov 2026Prueba de 16 modelos en 7 buscadores: Exa obtuvo una media de 10,5 puntos de 14; SearXNG, en torno a 3
- 12 oct 2026EliteTable hace que un LLM evolucione controladores en código: mejora en 6 de 6 tareas
Preguntas frecuentes sobre la noticia
¿Qué se sabe sobre El problema: no hay a quién recomendar ni con qué?
El mercado de quests está maduro y, según Wordstat, la demanda no crece. Por eso la principal reserva de crecimiento es ayudar a quien ya ha llegado a encontrar su quest. Pero el 65% de los visitantes no ha iniciado sesión: no tiene historial de navegación, y un sistema de recomendación clásico aconseja precisamente a partir del historial. Los resultados por defecto mostraban a todos lo más popular: quests de miedo y performances.
¿Qué se sabe sobre Versión 1: 120 casillas se convierten en tres clics?
El cuestionario tiene unas 120 opciones de respuesta, y nadie las marcará todas en un sitio web. Por eso las preguntas se comprimieron en tres pasos. Las respuestas se codificaron como rasgos 0 o 1. Los quests se agruparon con k-means en clases según el perfil medio de sus compradores. Después se entrenó un árbol de decisión de profundidad 6 para adivinar la clase de un quest con el mínimo de respuestas. En el sitio, esto aparece como botones de sugerencia bajo la barra de búsqueda.
¿Qué se sabe sobre Versión 2: seis clasificadores analizan el texto al vuelo?
Entonces se añadieron seis clasificadores LLM, uno por parámetro: nivel de miedo (0–3), dificultad, número de jugadores, edad mínima, formato y temática. La consulta se envía a los modelos mientras la persona escribe. La frase «de miedo para dos» se convierte en miedo 2–3 y dos jugadores; el resto de los campos queda vacío. A continuación ocurren dos cosas. El árbol de sugerencias salta por sí solo a la rama «De miedo o terror», y el visitante ve que lo han entendido.
Test Frontier LLMs & Autonomous Agents in One Workspace
Run Claude Opus 5.5, GPT-6, Gemini 3.1, and DeepSeek side-by-side in Nomad AI (nomadnet.ai) — unified model routing, deep research, and multimodal workflows under one subscription.
Lo esencial de la IA — una vez por semana
Siete historias que de verdad importaron, elegidas a mano. Sin ruido ni notas de prensa.
¡Listo! Revisa tu correo para la confirmación.