# Agentic Search Source: https://docs.mira.day/es/docs/agent-sourcing/agentic-search > Describe a la persona que buscas en lenguaje natural. Mira busca en múltiples fuentes de datos, avanza paso a paso y devuelve candidatos con la razón por la que cada uno encaja. Agentic Search es la forma en que Mira encuentra personas. No escribes cadenas booleanas ni malabareas con palabras clave — **describe a quién estás buscando en lenguaje natural, y Mira trabaja como un reclutador experimentado: busca en múltiples fuentes de datos, sigue las pistas paso a paso y te explica por qué encaja cada candidato.** *** Qué resuelve [#qué-resuelve] La búsqueda tradicional de candidatos tiene dos limitaciones de origen: * **Una sola base de datos.** Las personas adecuadas están dispersas en redes profesionales, comunidades de código, plataformas de investigación y sitios de empresas — una sola base de datos siempre deja escapar a algunos. * **Un solo paso.** Una única coincidencia de palabras clave tiende a devolver personas con buenos currículums, no personas que realmente encajen. Agentic Search es diferente en ambos aspectos: extrae de **múltiples fuentes de datos** y avanza en **múltiples pasos** — decidiendo dónde buscar a continuación a partir de lo que encontró en el paso anterior — hasta dar con las personas adecuadas, incluyendo candidatos pasivos que no están buscando activamente. Cómo funciona [#cómo-funciona] 1. **Describes la necesidad** — en lenguaje cotidiano: el rol, los requisitos indispensables y los deseables. 2. **Mira busca** — en múltiples fuentes de datos, siguiendo pistas (empresas, stacks tecnológicos, proyectos, trabajo público) y verificándolas. 3. **Recibes resultados explicables** — una lista de candidatos donde cada persona viene con *el motivo por el que encaja*. 4. **Refinas** — si la dirección no es la correcta, indícalo o añade una restricción, y Mira se ajusta. Funcionalidades principales [#funcionalidades-principales] * **Recuperación multifuente** — busca en múltiples fuentes de talento profesional y en la web abierta a la vez, para mayor cobertura. * **Análisis profundo en múltiples pasos** — no es una coincidencia de un solo intento; sigue pistas y verifica de forma cruzada, de modo que puede llegar a candidatos pasivos. * **Matching explicable** — cada candidato lleva una razón, así que los resultados son valorables y confiables. Esto está impulsado por [MRE](./understanding-ai-matching). * **Contacto bajo demanda** — una vez encontradas las personas adecuadas, revela el correo o el teléfono según sea necesario (cada revelación consume créditos). Describe bien el rol [#describe-bien-el-rol] El Agent entiende el lenguaje natural — pero más contexto le da más sobre qué razonar. Una descripción débil y una fuerte devuelven Shortlists muy distintas: | Débil | Fuerte | Por qué importa | | ------------------------------ | ---------------------------------------------------------------------------------------------------------------- | ------------------------------------------------------------------------ | | "Encuéntrame un desarrollador" | "Ingeniero backend senior, 5+ años en Python, ha construido microservicios a escala, preferiblemente de fintech" | Más contexto = más señales para hacer matching | | "Persona de marketing en NYC" | "Marketing manager de SaaS B2B en NYC, ha lanzado productos, cómoda con campañas basadas en datos" | Los criterios implícitos activan el matching basado en razonamiento | | "Necesitamos a alguien bueno" | "Alguien que haya llevado un producto de 0 a 1, idealmente en una startup en Series A–B" | Mira entiende "0 a 1" como experiencia de construcción en etapa temprana | También puedes apoyarte en criterios implícitos — el tipo que le dirías a un reclutador en voz alta ("ágil", "puede operar de forma independiente", "construyó un equipo desde cero"). Mira razona sobre lo que significan en lugar de buscarlos como palabras clave. Inicio rápido [#inicio-rápido] 1. **Describe a la persona en lenguaje natural**, cubriendo todo lo que puedas: * Rol / nivel * Requisitos indispensables (los no negociables) * Aspectos deseables * Restricciones como ubicación, sector o tipo de empresa 2. **Espera mientras Mira busca** — muestra los pasos a medida que avanza. 3. **Revisa la lista y el motivo de encaje de cada candidato**; revela los datos de contacto según sea necesario. 4. **¿No es del todo correcto?** Continúa la conversación o ajusta los criterios, y deja que siga refinando. **Ejemplo de descripción:** "Encuentra 3 ingenieros backend senior que hayan construido control de riesgo en tiempo real en empresas fintech, idealmente con Go y Kafka, con sede en Shanghái." Mira busca en múltiples fuentes a las personas que encajan, profundiza en sus proyectos y trayectoria para verificar, y devuelve una Shortlist con el motivo de encaje de cada uno — luego puedes decir "encuentra algunos más con experiencia en gestión de equipos" para acotarlo. Consejos para mejores resultados [#consejos-para-mejores-resultados] * **Separa los indispensables de los deseables.** Dile a Mira qué es obligatorio frente a qué sería un plus — el matching se vuelve más preciso. * **Proporciona el contexto.** "Esta es una startup en etapa temprana que necesita a alguien capaz de operar de forma independiente" le ayuda a valorar el encaje. * **Usa las conversaciones de seguimiento.** Cuando la dirección no es la correcta, añade o corrige una restricción en lugar de empezar de nuevo. * **Deja que los roles complejos corran como un equipo.** Para roles interfuncionales o con muchas restricciones, encárgaselo a un [Agent Team](./agent-teams) para que trabaje en paralelo. * **Guarda tus jugadas habituales.** Convierte un flujo de búsqueda que repites en un [Skill](./skills) para que el equipo pueda reutilizarlo. Bajo el capó [#bajo-el-capó] Algunas cosas impulsan Agentic Search, en términos sencillos: * **Recuperación multifuente + clasificación por fusión.** Mira consulta varias fuentes de datos a la vez, luego fusiona, deduplica y reclasifica los resultados (fusión de rango recíproco, RRF) para que el sesgo de ninguna fuente individual domine. * **Bucle de razonamiento iterativo.** En lugar de una sola consulta, razona → busca → lee los resultados → vuelve a razonar, eligiendo cada siguiente paso a partir de lo que acaba de encontrar. * **Flujo en capas.** El descubrimiento, el enriquecimiento de contacto y el enriquecimiento de perfil se ejecutan como capas separadas, profundizando solo según sea necesario. * **Matching explicable.** [MRE](./understanding-ai-matching) evalúa a cada candidato frente a tus requisitos y escribe el motivo que ves. > En términos académicos, combinar muchas fuentes heterogéneas y resolver paso a paso entre dominios es **recuperación multifuente** más **razonamiento multi-hop**. Relacionado [#relacionado] * [Revisa tu Shortlist](./review-your-shortlist) — lee y exporta los candidatos que recibes. * [Matching de candidatos con IA](./understanding-ai-matching) — cómo MRE evalúa el encaje. * [Agent Teams](./agent-teams) — pon varios agentes especializados en una búsqueda compleja. ¿Quieres probar Mira? [Únete a la lista de espera](https://www.mira.day/join-waitlist) para el acceso anticipado.