Una memoria viva, distribuida y consultable en milisegundos. Sobrevive a las máquinas, a los modelos y al tiempo. Aquí ves qué es, dónde vive cada cosa y quién manda.
La memoria no es un cajón: es un árbol. La constitución vive en Git, la verdad recuperable en Supabase, y las relaciones en el grafo. Todo apoyado en evidencia auditable.
memories: embeddings halfvec(1536) + HNSW + texto completo + RRF. Provenance (PROV-O), estados temporales y niveles de autoridad. Búsqueda híbrida en milisegundos.Cuántos datos viven hoy en cada capa del árbol. Se actualiza solo con cada snapshot (eval semanal). Así ves cómo se robustece la memoria con el tiempo.
El grafo (grapho) se refresca diario 3:30am y suma un punto por día. ver grafo vivo →
Actualizar manual: python3 tools/scripts/ikigai_memory_snapshot.py · automático: launchd semanal.
graphify no almacena: acelera el encontrar. Entra antes del RAG vectorial, en el momento de recordar y al arrancar sesión. Navega el grafo de conocimiento para decir "qué se conecta con qué" y así cargar solo los nodos de alta señal — menos tokens, más rápido.
Una consulta o el inicio de sesión (Session Cortex).
Recorre relaciones y rutas. Acota a los nodos relevantes sin leer archivos completos. Barato en tokens, responde en ms.
Sobre ese conjunto acotado: vector (significado) + texto (literal) + RRF.
El menor set de tokens con la mejor evidencia. Sin ruido.
El grafo navega (estructura: qué conecta con qué); el vector entiende (semántica). Juntos encuentran lo que ninguno solo: rutas + significado.
En vez de inyectar archivos enteros al contexto, graphify entrega solo los nodos y vínculos que importan. Ahorro directo de tokens y latencia.
Al arrancar (ikigai-context-query) o en handoffs, define qué must-read cargar. Es la brújula que evita el barrido ciego.
memory_core/graph + skill graphify + ikigai-graph-query. Se reconstruye desde el cerebro: código, docs, PDFs e imágenes → grafo consultable.
Cada fase entrega valor verificable. Construidas y probadas en una sola jornada (2026-06-14).
Escribe una idea y mírala viajar: el router la clasifica, el dedup evita duplicados, se genera su embedding y se dispersa a la capa correcta. Así razona la memoria.
Cada persona o negocio opera en su propio tenant_id, aislado por RLS. El Owner y sus IAs co-creadoras no necesitan tenant: tienen acceso completo al sistema.
Arturo y sus IAs co-creadoras. Construyen IKIGAI. No requieren tenant_id.
Cada negocio su memoria aislada. Sus IAs solo ven lo suyo.
Hijos, familia y gente cercana tendrán su IA con tenant propio para operar con nuestra tecnología, bajo control.
| Tenant | Slug | tenant_id | Dominio | Estado |
|---|
Aislamiento probado: cada tenant solo recupera su memoria vía match_memories(p_tenant_id); el Owner no filtra fugas. Los tenant_id del círculo cercano se provisionan cuando se activen (sin inventar IDs).
Máxima fricción donde importa (la verdad), cero donde no. La máquina maneja lo cotidiano; a la constitución solo entra lo que Arturo aprueba.
Revisa en lote (~5 min). Aprueba o rechaza; la página genera el comando exacto a ejecutar. La verdad solo entra contigo.