Cómo separo la memoria de la IA del modelo con Superbrain
Mi arquitectura de conocimiento con Markdown, índices y reglas para conservar el contexto al cambiar de asistente, con límites y comprobaciones reales.
El historial de un chat no es todo mi sistema de trabajo
Si una decisión solo está dentro de una conversación, encontrarla depende de recordar en qué chat se tomó. Y cambiar de asistente obliga a volver a explicar lo mismo. Por eso separo la memoria, las instrucciones y las herramientas del modelo que las utiliza.
Superbrain es mi sistema personal para trabajar así. El conocimiento vive en archivos Markdown organizados por dominios. Cada dominio tiene un índice y reglas propias. El asistente entra por el índice y abre solo las notas necesarias. No cargo todo el archivo en cada petición.
Las cuatro capas que mantengo separadas
La primera capa son los hechos. Quién hizo qué, cuándo ocurrió y dónde está la fuente. La segunda son las reglas de trabajo. Qué hay que comprobar, qué se considera terminado y qué convenciones deben respetarse. La tercera son las herramientas e integraciones. La cuarta es el modelo que interpreta la petición.
Cambiar un modelo no debería obligarme a reescribir mi historial. Sí puede obligarme a adaptar las instrucciones o una conexión. La portabilidad no significa que todos los asistentes tengan las mismas capacidades ni que los archivos de instrucciones se carguen igual en cada producto.
Un índice pequeño vale más que una carga indiscriminada
Empiezo por la pregunta del usuario y el dominio al que pertenece. Desde el índice localizo las notas relevantes y reviso su fecha y estado. Si encuentro una contradicción, necesito resolverla antes de actuar. El texto más reciente tampoco gana automáticamente si solo recoge una propuesta.
El patrón práctico es sencillo. Fuente, estado y siguiente paso. Una nota puede decir que una colaboración está propuesta, acordada o entregada. Son hechos diferentes. El asistente tiene que conservar esa diferencia cuando redacta o utiliza una herramienta.
Escribir memoria también necesita un cierre
Después de un cambio importante actualizo la nota correspondiente y dejo un registro. Una nueva nota tiene que aparecer en el índice o será difícil encontrarla. No duplico el mismo dato en varias áreas porque después nadie sabe cuál corregir.
No guardo contraseñas dentro de las notas que el asistente consulta. Los secretos se gestionan por separado y los permisos se limitan a la tarea. Tener acceso a un archivo no equivale a necesitar todo su contenido para responder.
Qué compruebo antes de confiar en una respuesta
Pido que se identifique la fuente utilizada y distingo un dato documentado de una inferencia. Para operaciones con herramientas, leer la intención no basta. Hay que comprobar el estado final. Un despliegue preparado no es un despliegue publicado y un borrador no es un mensaje enviado.
La memoria reduce el trabajo de reconstruir contexto, pero también puede conservar errores. Por eso no presento Superbrain como una memoria infalible. La revisión de fechas, contradicciones y resultados es parte de la arquitectura.
Cómo lo probaría en tu equipo
Escogería un único proceso repetitivo y un pequeño conjunto de documentos. Definiría qué preguntas debe responder el asistente, qué fuentes puede usar y cuándo debe pedir ayuda. Después comprobaría respuestas con y sin documentación suficiente.
El objetivo del piloto sería demostrar continuidad y trazabilidad, no acumular herramientas. Si el problema principal es ordenar proyectos, empieza por la guía de Obsidian para equipos. Si ya tienes los datos ordenados y necesitas ejecutar acciones, el siguiente paso es diseñar las integraciones.