# Cómo busca Mira

Source: https://docs.mira.day/es/docs/sourcing/agentic-search

> Describe en lenguaje natural a la persona que buscas. Mira busca en múltiples fuentes de talento y en la web abierta, profundiza paso a paso siguiendo las signals que descubre y devuelve candidatos con la razón por la que cada uno encaja.



Agentic Sourcing es la forma en que Mira encuentra personas, y funciona de manera distinta a LinkedIn Recruiter y a la búsqueda tradicional por palabras clave. **Describe en lenguaje natural a quién estás buscando, y Mira trabaja como un reclutador experimentado: busca en múltiples fuentes de talento, sigue las signals paso a paso y te dice 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 Sourcing es diferente en ambos aspectos: extrae de **múltiples fuentes** y avanza en **múltiples pasos**, decidiendo dónde buscar a continuación a partir de lo que descubrió en el paso anterior, hasta dar con las personas adecuadas, incluyendo candidatos pasivos que no están buscando trabajo activamente.

Cómo funciona [#cómo-funciona]

1. **Describes la necesidad**, en lenguaje cotidiano: el rol, los requisitos indispensables y los deseables.
2. **Un Sourcing Agent busca** en múltiples fuentes de talento y en la web abierta, siguiendo signals (empresas, stacks tecnológicos, proyectos, trabajo público) y verificándolas de forma cruzada.
3. **Recibes resultados explicables**: una lista de candidatos donde cada persona viene con la razón por la que encaja.
4. **Refinas.** Si la dirección no es la correcta, solo indícalo o añade una restricción, y Mira se ajusta.

Funcionalidades principales [#funcionalidades-principales]

* **Recuperación multifuente**: busca en muchas fuentes de talento profesional y en la web abierta a la vez, luego fusiona y deduplica para que el sesgo de ninguna fuente individual domine.
* **Análisis profundo en múltiples pasos**: no es una coincidencia de un solo intento; sigue signals y verifica de forma cruzada a lo largo de múltiples saltos, de modo que puede llegar a los candidatos genuinamente adecuados, incluidos los pasivos. Impulsado por [MRE](/es/docs/match-quality-and-trust/understanding-ai-matching).
* **Matching ponderado por evidencia**: Mira evalúa a cada candidato frente a tus requisitos indispensables y dealbreakers y los clasifica según la evidencia, sacando a la luz a los no obvios (como el gran ingeniero que nunca actualizó su cargo). Cada candidato lleva la razón detrás del match, para que la lista que presentes se sostenga.
* **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 listas de candidatos 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 significa más signals contra las que hacer matching        |
| "Persona de marketing en NYC"  | "Marketing manager de B2B SaaS en NYC, ha liderado lanzamientos de producto, cómoda con campañas basadas en datos" | Los criterios implícitos activan la recuperación basada en razonamiento |
| "Necesitamos a alguien bueno"  | "Alguien que haya llevado un producto de 0 a 1, idealmente en una startup en Series A a B"                         | Mira lee "0 a 1" como experiencia de construcción en etapa temprana     |

También puedes apoyarte en los criterios implícitos que dirías en voz alta. Mira razona sobre lo que significan en lugar de buscarlos como palabras clave:

| Tú dices                          | Mira lo interpreta como                                                                         |
| --------------------------------- | ----------------------------------------------------------------------------------------------- |
| "0 a 1" o "construido desde cero" | construcción de una empresa en etapa temprana, llevar algo de la nada al lanzamiento            |
| "ADN de startup" o "ágil"         | opera de forma independiente, cómodo con la ambigüedad y con poca estructura                    |
| "trayectoria de alto crecimiento" | inferido del tamaño de la empresa, el historial de financiación y la trayectoria de crecimiento |
| "5+ años de experiencia"          | leído de la trayectoria profesional real, no de una etiqueta del perfil                         |
| "ha construido un equipo"         | contrató y lideró un equipo, no solo trabajó en uno                                             |

Qué sigue [#qué-sigue]

* [Requisitos indispensables y dealbreakers](/es/docs/sourcing/search-filters-and-criteria): cómo Mira interpreta tus requisitos y construye el Ideal Candidate Profile.
* [Cómo hace matching Mira](/es/docs/match-quality-and-trust/understanding-ai-matching): cómo MRE razona para sacar a la luz a los candidatos adecuados.
* [Agent Team](/es/docs/meet-mira/agent-teams): pon un equipo en una búsqueda compleja.