Nodos y Relaciones Persistentes
El conocimiento se organiza en nodos interconectados con relaciones tipadas. Cada nodo preserva su contexto histórico y metadatos de creación y acceso.
Motor de IA estratégica basado en nuestro framework Neural knowledge. Consulta un knowledge graph persistente con RAG neuronal, decaimiento de pesos por activación y trazabilidad completa de cada decisión.
Strategy IA es un servicio de inteligencia artificial estratégica construido sobre Neural knowledge Framework, nuestro motor de grafos neuronales con RAG y memoria persistente.
A diferencia de sistemas tradicionales de consulta, Strategy IA mantiene un knowledge graph con nodos, relaciones persistentes y decaimiento de pesos por activación — permitiendo que las decisiones estratégicas se fundamenten en conocimiento acumulado jerárquicamente.
Cada consulta queda registrada con trazabilidad completa: el sistema declara explícitamente si usó el motor de RAG Neuronal o un fallback tradicional, garantizando auditoría de principio a fin.
El conocimiento se organiza en nodos interconectados con relaciones tipadas. Cada nodo preserva su contexto histórico y metadatos de creación y acceso.
Los pesos de activación decaen naturalmente con el tiempo si no se refrescan. El conocimiento no utilizado se archiva, manteniendo el grafo relevante y eficiente.
Cada decisión estratégica registra su origen: si provino del motor RAG neuronal o de un fallback. El reporte de auditoría es exportable y firmable.
Las reglas de negocio se codifican como validaciones formales que preservan la integridad del knowledge graph. No hay mutaciones inconsistentes permitidas.
Sin backends hardcodeados. Todo se configura vía variables de entorno: LLM_API_KEY, LLM_BASE_URL, LLM_MODEL. Cambia de proveedor sin tocar código.
Estructura preparada para instalación como librería privada vía pyproject.toml. Ideal para despliegues en entornos air-gapped o multi-tenant.
strategy-ia-service/
├── pyproject.toml # Packaging y dependencias
├── strategy_ia/
│ ├── __init__.py
│ ├── core/
│ │ ├── __init__.py
│ │ ├── graph_manager.py # Gestor del knowledge graph
│ │ ├── node.py # Entidad nodo con metadatos
│ │ └── relationship.py # Relaciones tipadas persistentes
│ ├── engine/
│ │ ├── __init__.py
│ │ ├── rag_neural.py # Motor de RAG Neuronal
│ │ └── fallback.py # Fallback LLM tradicional
│ ├── service/
│ │ ├── __init__.py
│ │ ├── strategy_service.py # Clase principal StrategyService
│ │ └── strategy_query.py # Interfaz de consulta con trazabilidad
│ ├── validation/
│ │ ├── __init__.py
│ │ ├── law_as_code.py # Reglas Law-as-Code
│ │ └── schema.py # Esquemas de validación del grafo
│ └── config/
│ ├── __init__.py
│ └── settings.py # Config vía variables de entorno
├── tests/
│ ├── __init__.py
│ ├── test_graph_manager.py
│ ├── test_strategy_service.py
│ └── test_law_as_code.py
└── .env.example # Template de variables de entornoclass StrategyService(GraphManager):
"""
Servicio de IA Estratégica que extiende
GraphManager de Neural knowledge Framework.
- Consulta al knowledge graph con RAG neuronal
- Decaimiento de pesos por activación
- Trazabilidad obligatoria en cada decisión
- Law-as-Code en todas las mutaciones
"""
def query(
self,
input: QueryInput
) -> QueryResult:
# 1. Activar nodos candidatos en el grafo
# 2. Consultar RAG neuronal con contexto
# 3. Si hit ≥ umbral → ruta neuronal
# Si no → fallback LLM directo
# 4. Reportar trazabilidad
# 5. Aplicar decaimiento post-consulta
pass
def mutate(
self,
mutation: GraphMutation
) -> MutationResult:
# Validar law-as-code antes de mutar
# Preservar integridad del grafo
passclass QueryResult(BaseModel):
decision: str
confidence: float
provenance: Provenance # ← OBLIGATORIO
class Provenance(BaseModel):
engine_used: Literal["neural_rag", "fallback_llm"]
nodes_activated: list[str]
activation_weights: dict[str, float]
decay_applied: bool
timestamp: datetime
audit_hash: strLLM_API_KEY Requerido API key del proveedor LLM (OpenAI, Anthropic, vLLM, Ollama, etc.).
sk-proj-xxxxxxxxxxxx LLM_BASE_URL Opcional URL base del endpoint LLM. Por defecto usa OpenAI si no se define.
https://api.openai.com/v1 LLM_MODEL Requerido Modelo LLM a utilizar para las consultas estratégicas.
gpt-4o NEURAL_GRAPH_PATH Requerido Ruta al archivo persistente del knowledge graph neuronal.
/data/knowledge-graph.json ACTIVATION_THRESHOLD Opcional Umbral de activación mínimo para considerar un hit neuronal (0.0 - 1.0). Default: 0.65.
0.65 DECAY_RATE Opcional Tasa de decaimiento de pesos por activación. Default: 0.05 por hora sin refresco.
0.05 Directorios modulares con separación clara de responsabilidades: core/, engine/, service/, validation/, config/.
Clase principal que extiende GraphManager de Neural knowledge. Implementa query() y mutate() con trazabilidad forzada.
Capa de consulta que captura y reporta trazabilidad: motor usado (neuronal vs fallback), nodos activados, pesos, timestamp y hash de auditoría.
Configuración completa via ENV: LLM_API_KEY, LLM_BASE_URL, LLM_MODEL, NEURAL_GRAPH_PATH, ACTIVATION_THRESHOLD, DECAY_RATE.
Validaciones formales que aseguran integridad del knowledge graph en cada mutación. Sin estados inconsistentes permitidos.
Preparado para instalación como librería privada vía pip install o poetry add. Incluye dependencias mínimas y tipado estricto.
Te ayudamos a desplegar el servicio con Neural knowledge Framework en tu infraestructura. Incluye capacitación del equipo.