Veynrel situo las notas correctas en primer lugar en 3 de 3 consultas

La busqueda convencional de notas falla en una situacion demasiado conocida: uno recuerda la idea, pero no la formulacion exacta ni el nombre del archivo. Una consulta como «como evaluarse sin apuntes» no tiene por que contener palabras de una nota titulada «Practica de una respuesta oral». Por eso, una busqueda basada en coincidencias de texto puede no devolver nada aunque el material adecuado este muy cerca.

El complemento Veynrel para Obsidian resuelve este problema mediante busqueda semantica. Convierte previamente fragmentos de las notas en representaciones numericas—embeddings—, guarda el indice y luego lo compara con una pregunta formulada en lenguaje natural. En un pequeno experimento del autor, BGE-M3 situo la nota correcta en primer lugar para las tres consultas. Es un resultado util, pero todavia no constituye una prueba comparativa completa.

Como funciona en un ejemplo sencillo

Para la prueba, el autor preparo un repositorio educativo con 16 notas ficticias: preguntas de examen, ejercicios y planes de estudio. Despues planteo tres preguntas cuya redaccion diferia del texto de los archivos correctos. Por ejemplo, una consulta sobre una grafica que «sube y baja» debia conducir a una pregunta de examen sobre el crecimiento y el decrecimiento de una funcion.

La busqueda integrada de Obsidian no encontro ese archivo mediante las dos palabras seleccionadas. MiniLM ejecutado localmente situo la nota correcta en cuarto lugar, mientras que BGE-M3 la coloco en el primero. Aun mas reveladora fue la consulta sobre por que cambiar el orden modifica una contrasena: la nota original ni siquiera contenia la palabra «reordenamiento». La busqueda por palabras fue inutil, mientras que la busqueda semantica relaciono la descripcion del cambio en el orden de los caracteres con la pregunta.

Se probaron tres configuraciones. MiniLM se ejecuto localmente mediante ONNX y situo los archivos correctos en las posiciones 1, 4 y 1. BGE-M3 en la nube mediante OpenRouter y BGE-M3 local mediante Ollama consiguieron las posiciones 1, 1 y 1. Para Ollama se creo un indice independiente con 19 vectores de 1.024 componentes cada uno. Con esta configuracion, las notas no salieron del ordenador.

No solo busqueda

Veynrel incluye un modo Health que comprueba localmente la estructura del repositorio. En la carpeta de demostracion detecto un enlace introducido deliberadamente hacia una nota inexistente y una copia exacta de otro archivo. Esta comprobacion no requiere ni un modelo de lenguaje ni una clave de API.

El modo Recall crea tarjetas de repaso a partir de preguntas y respuestas escritas en Markdown. El usuario revela la respuesta y evalua hasta que punto la recordaba bien; despues, el complemento programa el siguiente repaso. Studio guarda flujos de procesamiento de texto, mientras que la integracion Companion permite que un agente de IA lea copias sincronizadas de las notas y proponga cambios. La aplicacion de las modificaciones permanece bajo el control del usuario.

Que conviene comprobar antes de adoptarlo

Tres consultas y 16 notas preparadas no demuestran que BGE-M3 vaya a imponerse en un repositorio de trabajo con miles de archivos heterogeneos. El autor senala expresamente que la clasificacion puede cambiar en otra carpeta. Tampoco se pueden comparar directamente las puntuaciones numericas de similitud de distintos modelos. Rerank no mejoro el primer puesto en el ejemplo mostrado porque la nota correcta ya estaba arriba.

Tambien hay una cuestion de privacidad. Al trabajar mediante OpenRouter, los fragmentos de las notas se envian a un proveedor externo. Para datos confidenciales, resulta mas sensato comenzar con una configuracion local: instalar Ollama, descargar bge-m3, indicar la direccion http://127.0.0.1:11434 y crear un indice nuevo. El modelo ocupa alrededor de 1,2 GB, por lo que conviene comprobar previamente el espacio en disco y la memoria.

La conclusion practica es sencilla: la busqueda semantica resulta util cuando una persona recuerda mejor el significado que el nombre del archivo. Sin embargo, es demasiado pronto para elegir un modelo por tres aciertos llamativos. Primero, recopile entre 20 y 50 consultas reales de su propio historial, marque las notas esperadas y compare las posiciones de los resultados. Asi podra comprobar si el nuevo indice compensa el consumo de memoria, la latencia y la posible transferencia de datos a la nube.