> For the complete documentation index, see [llms.txt](https://docs.airops.com/llms.txt). Markdown versions of documentation pages are available by appending `.md` to page URLs; this page is available as [Markdown](https://docs.airops.com/docs/es/acciones/workflow-concepts/workflow-steps/memory-steps/memory-search.md).

# Buscar en la base de conocimientos

Busca semánticamente en una base de conocimiento

## ¿Qué es un paso de búsqueda en la base de conocimientos?

El paso de búsqueda en la base de conocimientos te permite realizar búsquedas semánticas en tus datos para ofrecer contenido o recomendaciones personalizadas a los usuarios.

Para obtener más información sobre cómo configurar una base de conocimientos, consulta nuestra página de documentación [aquí](https://docs.airops.com/docs/es/contexto/knowledge-bases.md).

## Cómo configurar un paso de búsqueda en la base de conocimientos

### Selecciona una base de conocimiento

Selecciona el nombre de tu base de conocimiento en el menú desplegable.

{% hint style="info" %}
**Selección dinámica de la base de conocimientos:** Puedes usar variables de Liquid para seleccionar dinámicamente en qué base de conocimientos buscar durante la ejecución. Esto resulta útil si tienes varias bases de conocimientos y quieres elegir entre ellas en función de las entradas del flujo de trabajo o de las salidas de pasos anteriores. Por ejemplo: `{{input.knowledge_base_name}}`
{% endhint %}

### Máximo de resultados

Elige cuántos resultados de la base de conocimientos quieres obtener.

{% hint style="info" %}
Tu contenido se divide en fragmentos de 1000 tokens, por lo que cada resultado tendrá aproximadamente 1000 tokens.
{% endhint %}

Si el LLM no devuelve los resultados exactos que buscas, te recomendamos aumentar el número de resultados y pedirle que los sintetice.

### Filtrar la base de conocimientos (opcional)

Las bases de conocimientos tienen dos modos de filtrado. Usa filtros para acotar la búsqueda según los metadatos, incluidas las etiquetas de metadatos personalizadas que hayas añadido a los archivos de la base de conocimientos.

#### Editor visual

El **Editor visual** te permite filtrar datos según cualquier campo de metadatos, incluidos:

* **Metadatos personalizados** que hayas añadido (p. ej., país, producto, audiencia, tipo de contenido)
* **Metadatos estándar** heredados del origen
* **Columnas de CSV/hojas de cálculo** al buscar datos estructurados

Por ejemplo, si tienes estudios de caso etiquetados con un campo de metadatos personalizado `country` puedes filtrar la búsqueda para que solo incluya estudios de caso de una región específica:

<figure><img src="https://3036434873-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FX2n5yPRPynbnWuO4SH0M%2Fuploads%2Fgit-blob-0c255f839731a2b355030815b3919c6c8c41219f%2Fkb-search-step-01-filter.png?alt=media" alt="Search Knowledge Base step on SpaceOps Case Studies with Max Results 3 and a filter for country equal United Kingdom"><figcaption><p>Filtra los resultados de búsqueda según un valor de metadatos.</p></figcaption></figure>

{% hint style="success" %}
**Filtrado dinámico con entradas**

Haz que tus filtros sean dinámicos mediante las entradas del flujo de trabajo. Por ejemplo, crea una entrada llamada `region` y configura el filtro así: country es igual a `{{input.region}}`. Ahora, cuando ejecutes el flujo de trabajo con distintos valores de región, solo buscarás en los archivos pertinentes de la base de conocimientos.
{% endhint %}

#### Editor de código

Para casos de uso más complejos, puedes usar el **Editor de código** que utiliza los operadores de consulta y proyección de MongoDB. Estos son algunos operadores habituales:

* **$eq** - Igual a (para números, cadenas y valores booleanos)
* **$ne** - Distinto de (para números, cadenas y valores booleanos)
* **$gt** - Mayor que (para números)
* **$gte** - Mayor o igual que (para números)
* **$lt** - Menor que (para números)
* **$lte** - Menor o igual que (para números)
* **$in** - En el array (para cadenas o números)
* **$nin** - No está en el array (para cadenas o números)

Veamos un ejemplo rápido de cómo filtrar por metadatos en tu flujo de trabajo con nuestra plantilla «Q\&A». En este ejemplo concreto, ya hemos completado nuestra base de conocimientos con las constituciones de varios países, además de metadatos centrados en el campo «country» para filtrar.

{% @arcade/embed url="<https://app.arcade.software/share/wdZVVd8LeM0QNGiSf9v9>" flowId="wdZVVd8LeM0QNGiSf9v9" %}

Para que el filtrado sea eficaz, te recomendamos leer nuestro documento [«Metadatos de las bases de conocimientos»](https://docs.airops.com/docs/es/contexto/knowledge-bases/knowledge-base-metadata.md) para asegurarte de proporcionar campos de metadatos óptimos por los que filtrar.

### Consulta

La frase que se usa para buscar texto semánticamente similar en tu base de conocimientos.

Como práctica recomendada, te sugerimos usar una variable Liquid para la consulta. Como tus flujos de trabajo están diseñados para adaptarse a las entradas que proporcionas, por lo general no conviene codificar la consulta de forma fija para una variable o pregunta específica.

Como la base de conocimientos devolverá los resultados más *semánticamente* similares, habrá ocasiones en las que proporcionar una cadena de texto larga tenga más probabilidades de ofrecer los resultados deseados que una frase específica y precisa. Te recomendamos probar el texto de la consulta para asegurarte de que se ajuste a tus necesidades.

## Variables Liquid en los pasos de la base de conocimientos

Las variables Liquid funcionan en TODOS los pasos de la base de conocimientos, incluidos:

* **Buscar en la base de conocimientos:** Usa Liquid para las consultas, los filtros y la selección de la base de conocimientos
* **Escribir en la base de conocimientos:** Usa Liquid para el contenido y los valores de los metadatos
* **Obtener archivo de la base de conocimientos:** Usa Liquid para los identificadores de archivo
* **Leer desde la base de conocimientos:** Usa Liquid para seleccionar registros

Esto permite crear flujos de trabajo completamente dinámicos, en los que las operaciones de la base de conocimientos se adaptan según las entradas o los resultados de pasos anteriores.

## Salida del paso de búsqueda en la base de conocimientos

El paso de búsqueda en la base de conocimientos genera una lista de embeddings de la base de conocimientos.

* **ID:** Un ID único basado en el ID del fragmento de los metadatos, el ID del registro y el ID del documento del almacén de vectores.
* **Puntuación:** Una [medida de similitud semántica](https://en.wikipedia.org/wiki/Cosine_similarity).
* **Contenido:** El texto (o las columnas) del documento que se puede buscar.
* **Nombre del documento:** Nombre del documento que proporcionaste.
* **URL del archivo del documento:** La URL del archivo del documento original que subiste (si corresponde).
* **Metadatos:** Cualquier columna que hayas proporcionado como metadatos.

```
[
  {
    "id": "vsdi:87:rid:1:cid:0",
    "score": 0.78703,
    "content": "Blog Title: How to Become a Prompt Engineer\\nBlog Content: In this blog, we're going to show you how to take your prompting...",
    "document_name": "AirOps Knowledge Base",
    "document_file_url": "https://app.airops.com/your_document_file.pdf",
    "metadata": {
      "__chunk_id": 0,
      "__record_id": "1",
      "__vector_store_document_id": 87,
      "title": "How to Become a Prompt Engineer",
      "description": "Aprende a llevar tus prompts al siguiente nivel.",
    }
  },
  {
    ...
  }
 ]
```

### Cómo dar formato a los resultados para los pasos de LLM

El resultado del paso de búsqueda en la base de conocimientos es un bloque JSON, como se muestra arriba. Sin embargo, como a menudo pasarás este resultado a un LLM, es mucho más eficaz darle formato de lenguaje natural.

#### Dar formato con el paso de código

Una de las mejores formas de hacerlo es usar nuestro paso de código junto con la sintaxis Liquid. Nuestra plantilla «Preguntas y respuestas» muestra un excelente ejemplo de cómo hacerlo:

<figure><img src="https://3036434873-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FX2n5yPRPynbnWuO4SH0M%2Fuploads%2Fgit-blob-2ed6f56b0c0a1b00ebb39b0f0f0ca4abb7e59299%2Fkb-search-step-02-format-with-code.png?alt=media" alt="Case Study Q&#x26;A Workflow with a Run Code step that formats the Search Knowledge Base results before the Answer the question step"><figcaption><p>Da formato a los resultados de búsqueda con un paso de código antes de pasarlos al LLM.</p></figcaption></figure>

Nuestro paso de código utiliza JavaScript para dar al bloque JSON un formato más natural que el paso de LLM pueda interpretar:

```javascript
return step_1.output.map(item => `Document Name: ${item.document_name}\nContent: ${item.content}\nConfidence Score: ${item.score}`).join('\n\n');
```

#### Dar formato con Liquid

Para pasar contexto y datos con formato al paso de LLM, también puedes usar Liquid para dar formato a los resultados del paso de búsqueda en la base de conocimientos.

Modificamos el resultado del ejemplo anterior iterando sobre cada fragmento y devolviendo `metadata.title` y `metadata.description`:

```liquid
// Replace step_x.output

{% for chunk in step_x.output %} 
    Title: {{chunk.metadata.title}}
    Description: {{chunk.metadata.description}}
{% endfor %}
```


---

# Agent Instructions
This documentation is published with GitBook. GitBook is the documentation platform designed so that both humans and AI agents can read, navigate, and reason over technical content effectively. Learn more at gitbook.com.

## Querying This Documentation
If you need additional information that is not directly available in this page, you can query the documentation by asking a question.

Perform an HTTP GET request on the following URL with the `ask` and `goal` query parameters:

```
GET https://docs.airops.com/docs/es/acciones/workflow-concepts/workflow-steps/memory-steps/memory-search.md?ask=<question>&goal=<user_goal>
```

`ask` is the immediate question: it should be specific, self-contained, and written in natural language.
`goal` is what the user is ultimately trying to achieve, the reason they need the answer. Sharing it helps GitBook give you a better, more relevant answer. A goal is most helpful when it describes the outcome the user wants rather than restating the question. For example, with `ask=how do I create an API token`, a goal like `automate deployments from our CI pipeline` lets GitBook tailor the answer to that use case.

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.
