# 🧠 Búsqueda Semántica (RAG)
El servidor Obsidian MCP incluye capacidades de **Generación Aumentada por Recuperación (RAG)**, permitiendo que la IA consulte tu vault utilizando lenguaje natural y comprendiendo el contexto más allá de simples palabras clave.
## ¿Cómo funciona?
El sistema utiliza una base de datos vectorial para representar tus notas como "vectores" en un espacio multidimensional. Cuando haces una pregunta, el servidor busca las notas cuyos vectores son más cercanos al vector de tu consulta.
### Componentes Técnicos
- **Embeddings**: Utiliza modelos de lenguaje para convertir texto en representaciones numéricas.
- **Vector Store**: `ChromaDB` se utiliza para almacenar y buscar estos vectores de forma eficiente.
- **Orquestación**: `LangChain` gestiona el flujo de datos entre las notas y el modelo de embeddings.
## Instalación de Dependencias
Esta funcionalidad es opcional y requiere librerías adicionales que pueden aumentar el tamaño de la instalación:
```bash
pip install "obsidian-mcp-server[rag]"
```
## Herramientas Semánticas
### 1. `preguntar_al_conocimiento`
Es la herramienta principal para consultas de tipo "humano".
- **Ejemplo**: "¿Qué he escrito sobre inteligencia artificial en los últimos meses?"
- **Filtros**: Puedes restringir la búsqueda por metadatos (ej: solo notas de tipo "poesía").
### 2. `indexar_vault_semantico`
Las notas nuevas no aparecen automáticamente en la búsqueda semántica. Debes ejecutar esta herramienta periódicamente para actualizar el índice.
- **Incremental**: Solo procesa notas nuevas o modificadas.
- **Forzada**: Reconstruye todo el índice desde cero (útil si cambias de modelo de embeddings).
### 3. `encontrar_conexiones_sugeridas`
Analiza la similitud semántica entre todas tus notas.
- Si dos notas hablan de temas muy parecidos pero no tienen un enlace `[[Nota]]` entre ellas, el servidor las marcará como una conexión sugerida.
- Es ideal para el mantenimiento y el crecimiento orgánico de tu Zettelkasten.
### 4. `sugerir_ubicacion` (Recomendación de Carpetas)
Esta herramienta utiliza **búsqueda semántica** para sugerir la carpeta más adecuada donde ubicar una nueva nota, basándose en notas similares ya existentes en tu vault.
#### ¿Cómo funciona?
1. **Búsqueda vectorial**: Combina el título, etiquetas y contenido de la nueva nota para crear una consulta.
2. **Recuperación RAG**: Busca las notas más similares en el índice vectorial (ChromaDB).
3. **Sistema de votación**: Las carpetas de las notas similares "votan" por la ubicación sugerida.
4. **Ranking con confianza**: Devuelve múltiples candidatos ordenados por número de votos y porcentaje de confianza.
#### Ejemplo de uso
Cuando le pides a la IA que cree una nota sobre "Configuración SSH para NAS", el sistema:
```
📂 Sugerencias basadas en contenido similar:
1. `Tecnología/Infraestructura`
Confianza: ████████░░ 80% (4 votos)
Notas similares: NAS, Docker Setup, Redes Locales
2. `Tecnología/Guías`
Confianza: ██░░░░░░░░ 20% (1 voto)
Notas similares: Guía VPN
💡 La opción 1 tiene alta confianza (80%). Puedes sugerirla al usuario.
```
#### Interpretación de resultados
| Confianza | Recomendación |
|-----------|---------------|
| ≥60% | Alta confianza. La IA puede sugerir directamente esta carpeta. |
| 40-59% | Confianza moderada. Mostrar opciones al usuario para que decida. |
| <40% | Baja confianza. Preguntar al usuario dónde prefiere ubicar la nota. |
#### Fallback automático
Si el índice semántico no está disponible o no encuentra coincidencias, la herramienta utiliza automáticamente un **sistema de reglas por palabras clave** como respaldo, garantizando siempre una sugerencia útil.
## Almacenamiento de Datos
El índice vectorial se guarda localmente en una carpeta dentro de tu vault (normalmente `.obsidianrag/` o similar), lo que garantiza que tu conocimiento nunca salga de tu control.
### 5. Indexación Semántica de Imágenes
El sistema tiene la capacidad de "leer" las imágenes de tu vault a través de sus descripciones.
#### El Problema
Los modelos de lenguaje de texto (como el que usa este RAG) no pueden ver los píxeles de una imagen `grafico.png`. Si buscas "gráfico de ventas", la IA no sabrá que esa imagen contiene un gráfico de ventas a menos que el nombre del archivo sea muy explícito.
#### La Solución MCP
El indexador escanea todas tus notas buscando imágenes con **pie de foto (caption)**.
- Formato Obsidian: `![[imagen.png|Este es un gráfico de ventas]]`
- Formato Markdown: ``
Cuando encuentra una, toma esa descripción e **inyecta el texto en el índice vectorial** asociado a la nota, bajo una sección oculta llamada "Image Context".
#### Resultado
Puedes preguntar: *"¿Tienes algún gráfico sobre ventas?"*
El sistema encontrará la nota porque semánticamente "sabe" que contiene esa imagen, aunque el texto principal de la nota nunca mencione la palabra "gráfico".
> [!TIP]
> Para que esto funcione, es **OBLIGATORIO** poner descripciones a las imágenes relevantes. Una imagen sin descripción es invisible para el buscador semántico.
