Memoria y conocimiento

Tres páginas forman la capa de contexto del Space: Memoria (/space/memory), la Base de Conocimiento (/space/knowledge, RAG) y Artefactos (/space/artifacts). Esta página documenta las tres y las APIs que hay detrás.

¿Nuevo en el lado de IA? Lee primero Conceptos de IA desde cero — sobre todo Embeddings, Chunking y RAG, que dan vida a la base de conocimiento.

Memoria (/space/memory)

La memoria da a los agentes recall automático entre sesiones y entre canales. Es un sistema de dos capas diseñado para transparencia total: puedes ver, exportar y borrar todo lo recordado.

Cómo funciona

• Cada ejecución de agente añade entradas de memoria — una por mensaje user/assistant/system/tool, etiquetada con role, content, timestamp y agentId / metadata opcionales.
• Las entradas se sirven por GET /api/memory y se escriben por la misma API; el panel soporta filtrado por agente (?agentId=) y filtrado por texto completo.
• La cabecera de estadísticas muestra totalEntries, agentsIndexed y estimatedTokens — la huella estimada de tokens de lo que se inyectaría en contexto.

Diseño de dos capas

1. Capa de sistema — el almacén estructurado que los agentes consultan en runtime (las entradas de arriba).
2. Exportación legible por humanos — exportación con un clic a JSON (synthhires-memory-<date>.json) o Markdown (synthhires-memory-<date>.md, con cabeceras de rol por entrada, ids de agente y contenido), para que la memoria sea auditable por humanos, no solo legible por máquinas.

Gestión

• Buscar / filtrar entradas por palabra clave o agente.
• Borrar una entrada individual (action: "delete") o limpiar todo / un agente (action: "clear").
• Refrescar para volver a traer los datos.

La transparencia es una decisión de producto deliberada: la promesa es que cualquier cosa que la plataforma recuerde de ti es visible en este panel y eliminable — sin perfiles ocultos.

Los conceptos detrás de la memoria y la recuperación

La memoria y la base de conocimiento resuelven el mismo problema subyacente de formas distintas: la ventana de contexto del modelo es finita y el modelo no tiene memoria tras el entrenamiento. Cualquier cosa que quieras que “recuerde” debe re-suministrarse en el prompt. Estas dos herramientas deciden qué se re-suministra y cómo se encuentra:

• La memoria es recall automático de lo ocurrido. Cada ejecución de agente añade entradas (rol, contenido, timestamp) para poder re-inyectar luego lo dicho. Es un libro contable de eventos, recuperado sobre todo por coincidencia exacta/texto completo e inyectado cuando es relevante. No es que “el modelo recuerde” — es la plataforma guardando los recibos y reproduciéndolos en contexto.
• La base de conocimiento es recuperación semántica deliberada (RAG). Cuando subes documentos, se trocean en chunks (piezas coherentes), cada chunk se embebe (se convierte en un vector de su significado), y una pregunta se responde encontrando el chunk cuyo vector está más cerca en significado (búsqueda semántica). Esto es Generación aumentada por recuperación: anclar al modelo en contexto con fuentes y actualizado en lugar de dejar que responda solo con el entrenamiento — también reduce la alucinación y abarata el contexto enviando solo los fragmentos relevantes.

Para la mecánica completa de embeddings, chunking y RAG, ver Conceptos de IA desde cero.

Base de Conocimiento (/space/knowledge) — RAG

La base de conocimiento es un almacén de recuperación semántica: subes deliberadamente documentos que los agentes pueden consultar como contexto de grounding (Retrieval-Augmented Generation).

Fuentes soportadas

Fuente	Detalles
Archivos	PDF, DOCX, TXT, MD, CSV, JSON — hasta 10 MB por archivo, varios archivos por drop
URLs	Cualquier URL pública, descargada e ingerida en servidor
YouTube	URLs de vídeo — se extrae y se ingiere la transcripción

Pipeline de ingesta

1. Subida / URL → el documento entra en estado processing.
2. El texto se extrae y se divide en chunks (chunkDocument en src/lib/rag/vector.ts).
3. Cada chunk se embebe y los chunks se indexan vía POST /api/rag (action: "ingest_text" / "ingest_url").
4. El estado pasa a ready con el conteo de chunks, o a error si falla.

Búsqueda semántica

• POST /api/rag con action: "search" ejecuta una consulta semántica sobre los chunks indexados.
• Los resultados devuelven el contenido del chunk coincidente, el documentId / documentName fuente, listos para inyectarse como contexto (“Usar en contexto”).
• El panel de índice muestra cada documento con icono de tipo (archivo / URL / YouTube), conteo de chunks, tamaño y estado; los documentos se pueden borrar individualmente.

La base de conocimiento es el lugar para contexto deliberado y curado — documentación de empresa, specs de producto, referencias de API — a diferencia de la memoria, que es recall automático de lo que ocurrió.

Artefactos (/space/artifacts)

La galería de artefactos indexa todo lo generado por IA — informes, código, imágenes, documentos — por tipo y sesión de origen.

• Indexado por tipo y sesión de origen: no necesitas recordar en qué conversación se produjo un archivo.
• Buscable: búsqueda de texto completo en el almacén de artefactos.
• Renderizado en chat: cuando el asistente produce un artefacto (p. ej. una vista previa HTML), se renderiza en el panel lateral (artifacts-panel.tsx) y también se persiste en la galería.

Los artefactos conectan el chat con la librería de contenido: la salida transitoria dentro de la conversación se convierte en un activo permanente y localizable.