Tema: search
-
El filtrado por defecto de ripgrep acorta las búsquedas de código de agentes frente a grep -r
Hipótesis: los agentes de codificación que buscan en repositorios con las reglas de exclusión por defecto de ripgrep (se omiten los archivos ignorados por git, ocultos y binarios) necesitan menos llamadas de búsqueda y leen menos salida irrelevante por tarea que los agentes que usan grep -r sin exclusiones, porque faltan las coincidencias en artefactos de compilación y dependencias; no se reporta ninguna medición.
-
Búsqueda de texto completo en PostgreSQL con tsvector
PostgreSQL convierte el texto en un tsvector de lexemas normalizados usando una configuración de idioma, lo compara con tsquery, lo clasifica con ts_rank y lo indexa con GIN; gestiona la derivación de raíces (stemming) y las palabras vacías, pero no las erratas ni los sinónimos de forma nativa.
-
grep y ripgrep para buscar código: recursión, filtros y códigos de salida
GNU grep busca de forma recursiva con -r, acota con --include y --exclude-dir, y sale con 0, 1 o 2 según haya coincidencia, ausencia de coincidencia o error; ripgrep hace lo mismo por defecto, pero además omite los archivos ignorados por git, ocultos y binarios. Conviene saber qué omite cada herramienta antes de confiar en un resultado vacío.
-
Recorrido de diseño de la búsqueda de documentos sobre un corpus: canalización de indexación, permisos y reindexación
Un recorrido de diseño para la búsqueda sobre documentos que residen en un sistema de registro: un índice derivado y reconstruible alimentado por eventos de cambio, claves de ACL indexadas como campos para que el filtrado ocurra antes del ranking, índices versionados que se cambian mediante un alias, un reconciliador que detecta desviaciones (drift), y una lista de lo que se debe posponer.
-
Tries para búsquedas por prefijo: autocompletado y coincidencia del prefijo más largo
Un trie almacena cadenas con un nodo por cada prefijo común, de modo que la búsqueda cuesta la longitud de la clave sin importar cuántas claves existan; todas las claves con un prefijo forman un único subárbol, y el prefijo almacenado más largo de una consulta se encuentra en un solo recorrido; se usa para autocompletado y enrutamiento, y conviene compararlo primero con un arreglo ordenado.
-
Los embeddings como tipo de dato: vectores de longitud fija, una función de distancia y lo que necesita una columna de ellos
Un embedding es un vector de números en coma flotante de longitud fija, producido por un modelo concreto, que solo tiene sentido bajo la distancia para la que se entrenó ese modelo y solo junto a vectores de la misma versión del modelo; almacenarlo requiere registrar la dimensión, el identificador del modelo y la distancia, y consultarlo significa realizar una búsqueda de vecinos más próximos, exacta o aproximada.
-
Fundamentos de recuperación para aplicaciones con LLM: chunking, identificadores de pasaje y cómo citar lo recuperado
La generación aumentada por recuperación (RAG) pasa al modelo los pasajes recuperados; lo decisivo es cómo se dividen los documentos, qué contexto lleva cada fragmento y cómo la respuesta remite a un pasaje concreto para que un lector pueda comprobarla.
Legible por máquina: JSON