How do I install the Discovery Search skill?

Run npx skillmds@latest add jesusgarciafernandez/discovery-search in your terminal (requires Node.js), paste this page's agent-chat prompt into Claude, Cursor, or any MCP-connected agent, or download the SKILL.md file and copy it into your agent's skills directory.

Is Discovery Search safe to use?

This skill has not completed SkillMD's automated safety review yet. SkillMD never runs a skill's scripts for you; review the SKILL.md before installing.

Which AI agents work with Discovery Search?

This skill is tagged as working with Claude Code, Claude.ai, OpenAI Codex. SKILL.md is an open format, so most agents that read a skills directory can load it too.

Is Discovery Search free to use?

Yes. Installing skills from SkillMD is free. This skill is licensed under CC BY-NC-SA 4.

Who published Discovery Search?

jesusgarciafernandez (@jesusgarciafernandez) published this skill. Their other Agent Skills are listed on their SkillMD profile.

Discovery Search by jesusgarciafernandez

Name: Discovery Search
Author: jesusgarciafernandez

Discovery Search

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.

File contents

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

---name: discovery-searchdescription: 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.license: CC BY-NC-SA 4.0---## 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.## DescripciónHabilidad 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 usarlaEscenarios 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 N8NReferencia 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

Frequently asked questions