| name | discovery-search |
| description | Habilidad de diseño e implementación de sistemas de descubrimiento de información avanzados, pasando de la búsqueda tradicional basada en palabras clave (keyword-matching) a la recuperación semántica basada en vectores. Úsala para tareas de Sistema: discovery, semantic-search, vector-database, indexing, information-retrieval, metadata-optimization. |
| title | Discovery & Search |
| version | 2 |
| author | Jesús García Fernández |
| website | jesusgarciafernandez.com |
| created | "2026-04-01T00:00:00.000Z" |
| updated | "2026-04-17T00:00:00.000Z" |
| category | 00. Sistema |
| subcategory | Indexación |
| tags | ["discovery","semantic-search","vector-database","indexing","information-retrieval","metadata-optimization","knowledge-discovery","hybrid-search"] |
| license | CC BY-NC-SA 4.0 |
| license_url | https://creativecommons.org/licenses/by-nc-sa/4.0/ |
| notice | Esta skill es de autoría original de Jesús García Fernández. Permitido su uso personal y educativo citando la fuente. Prohibida su venta, redistribución comercial o modificación sin autorización expresa del autor.
|
| id | 2 |
0. Filosofía Human-Centric AI
Esta sección es obligatoria para cumplir con los estándares del App Blueprint Generator.
El Rol del Humano: Supervisión estratégica y validación ética de los resultados generados.
Empoderamiento: Esta Skill dota al profesional de una escala productiva 10x mediante la automatización de la carga cognitiva repetitiva.
Descripción
Habilidad de diseño e implementación de sistemas de descubrimiento de información avanzados, pasando de la búsqueda tradicional basada en palabras clave (keyword-matching) a la recuperación semántica basada en vectores. Esta skill se centra en cómo organizar grandes volúmenes de datos jerarquizados para que sean localizables instantáneamente por agentes humanos e inteligencias artificiales. Abarca la creación de taxonomías dinámicas, el entrenamiento de modelos de "embeddings" para capturar el contexto y el despliegue de motores de búsqueda híbridos que combinan precisión léxica con comprensión conceptual. El objetivo es eliminar los silos de información y garantizar que el "conocimiento relevante" encuentre al usuario en el momento preciso (Proactive Discovery).
Cuándo usarla
Escenarios que activan esta skill:
- Durante la construcción de bibliotecas digitales masivas o repositorios de documentación técnica (como este repositorio).
- Al diseñar la capa de recuperación para sistemas RAG (Retrieval-Augmented Generation) en IA.
- Para mejorar la tasa de conversión en e-commerce mediante motores de recomendación y búsqueda por intención.
- En procesos de auditoría donde se necesite localizar patrones específicos en terabytes de logs no estructurados.
- Al implementar sistemas de descubrimiento de recursos internos en grandes organizaciones (Enterprise Search).
Requisitos
- Motores de búsqueda (ej: Elasticsearch, Meilisearch, Algolia).
- Bases de datos vectoriales (ej: Pinecone, Weaviate, Milvus).
- Algoritmos de Tokenización y NLP (Natural Language Processing).
- Frameworks de orquestación de datos (ej: LangChain para recuperación de documentos).
- Esquemas de metadatos estandarizados (Dublin Core, Schema.org).
Instrucciones y Pasos detallados que se debe seguir:
Workflow N8N
Referencia al archivo workflow.json o scripts integrados.
Notas y advertencias
- ⚠️ Mantenimiento Técnico: Requiere verificación mensual.
Changelog
- v1.0 — Versión inicial
- v1.1 — Enriquecimiento técnico especializado y normalización de formato V1.1
