LoginGet Started

Búsqueda semántica

Encuentra información por significado, no solo por palabras clave. ContextForge usa embeddings potenciados por IA para comprender el contexto de tus consultas.

Cómo funciona

La búsqueda por palabras clave tradicional busca coincidencias exactas. La búsqueda semántica comprende el significado de tu consulta y encuentra resultados relevantes aunque usen palabras distintas.

Búsqueda por palabras clave

Consulta: "authentication error"

  • Solo coincide con "authentication" Y "error"
  • Pierde "login failed" o "auth issue"
  • Sin comprensión del contexto

Búsqueda semántica

Consulta: "authentication error"

  • Encuentra "login failed", "auth issue", "401 error"
  • Entiende sinónimos y conceptos relacionados
  • Ordena por relevancia, no solo por coincidencias

Usar la búsqueda semántica

En Claude, simplemente pide buscar en tu memoria. El cliente MCP usará la búsqueda semántica de forma automática.

# Ejemplos de consultas en Claude

"Search my memory for how we handle user authentication"
"Find any documentation about the payment flow"
"What patterns did we use for error handling?"
"Look for anything related to database migrations"

Referencia de herramientas MCP

memory_query

Busca en tu base de conocimiento usando similitud semántica.

Parámetros

NombreTipoObligatorioDescripción
querystringSíConsulta de búsqueda en lenguaje natural
space_idstringNoLimita la búsqueda a un Space específico
limitnumberNoMáximo de resultados (predeterminado: 10)
min_scorenumberNoPuntuación de similitud mínima 0-1 (predeterminado: 0.3)
project_idstringNoBusca dentro de un proyecto (se establece automáticamente desde el proyecto vinculado)
include_relationshipsbooleanNoMuestra las conexiones de cada resultado (predeterminado: false)
filtersobjectNoFiltra por tags, source_types o category

Ejemplo de respuesta

{
  "results": [
    {
      "id": "abc123",
      "title": "Authentication Flow",
      "content": "We use JWT tokens for authentication...",
      "similarity": 0.89,
      "space": "backend-docs",
      "tags": ["auth", "jwt", "security"]
    }
  ],
  "total": 1
}

Búsqueda consciente de relaciones

Cuando tus Knowledge Items están conectados mediante relaciones (ver Knowledge Graph), la búsqueda se vuelve automáticamente más inteligente. No solo encuentra coincidencias directas — también descubre elementos relacionados a través de las conexiones.

Resultados directos

Elementos que coinciden semánticamente con tu consulta. Se reordenan teniendo en cuenta sus conexiones: los elementos vinculados a otros resultados con alta puntuación reciben un impulso.

Resultados ampliados

Elementos descubiertos a través de relaciones. Puede que no coincidan directamente con tu consulta, pero están conectados a elementos que sí lo hacen. Aparecen en una sección separada de "Elementos relacionados" en los resultados.

# Ejemplo: búsqueda "onboarding" con conocimiento conectado

Direct results:
  1. Client Onboarding Process (89% match)
  2. Onboarding Checklist (76% match)

Related items (via relationships):
  1. Welcome Email Sequence (72% match)
     related_to → Client Onboarding Process
  2. CRM Setup Guide (65% match)
     derived_from → Onboarding Checklist

La búsqueda con consciencia de relaciones está activada de forma predeterminada. Cuantas más conexiones crees entre elementos, más inteligentes serán tus resultados de búsqueda. Usa include_relationships: true para ver también a qué está conectado cada resultado.

Consejos para mejores resultados

  • 1

    Sé descriptivo, no escueto

    En lugar de "auth", prueba "cómo funciona la autenticación de usuarios en nuestro sistema"

  • 2

    Incluye contexto

    Menciona la funcionalidad, el módulo o el dominio del problema sobre el que preguntas

  • 3

    Usa lenguaje natural

    Haz preguntas como lo harías con un colega, no como búsquedas por palabras clave

  • 4

    Afina con Spaces

    Si los resultados son demasiado amplios, busca dentro de un Space específico

Bajo el capó

ContextForge usa embeddings de Voyage AI (voyage-3-lite) para convertir el texto en vectores de 1024 dimensiones. Estos vectores capturan el significado semántico, lo que permite encontrar contenido similar mediante similitud coseno.

similarity = cosine(embedding(query), embedding(document))