ResearchRaven
Pipeline impulsado por IA que va de la investigación al contenido y procesa el conocimiento en tres fases: investigación (plana) → organización del conocimiento (jerárquica) → generación de contenido (lineal). ResearchRaven automatiza el camino desde la recopilación de fuentes hasta el texto listo para publicar: artículos, boletines o capítulos de libro. La arquitectura se fundamenta en la teoría de la comunicación (Shannon, Saussure, Miller) y en el principio de que el conocimiento jerárquico debe linealizarse para que una persona pueda leerlo. La capa de conocimiento se reconstruyó más tarde en dos tareas separadas —estructurar un documento y enlazar entre documentos— después de que las mediciones mostraran que fundirlas en un único grafo producía errores irreversibles. El conocimiento se guarda en archivos simples bajo control de versiones y no en una base de datos, de modo que puede reconstruirse desde el origen en cualquier momento. Construido íntegramente con el AI Development Framework y Claude Code. Una página propia trata la arquitectura, el método de evaluación y la dirección del proyecto: /researchraven
Inicio
10 de febrero de 2026
Fin
En curso
Duración
6+ months
Tickets creados
292
Tickets completados
194
Sesiones de IA
41
- ●✅ Arquitectura de tres fases fundamentada en la teoría de la comunicación
- ●✅ Análisis competitivo de diez herramientas de investigación con IA antes de escribir código
- ●✅ Investigación profunda sobre teoría de la linealización (82 fuentes)
- ●✅ Organización jerárquica del conocimiento a través de numerosas fuentes
- ●✅ Estilos de escritura configurables para varios formatos de salida
- ●✅ Pasada de posprocesado para lograr una redacción natural
- ●✅ Primera ejecución completa: tema de investigación → borrador publicable
- ●✅ Actualizaciones incrementales, de modo que la investigación recurrente no lo reconstruye todo
- ●✅ Investigación desde varias perspectivas: tecnológica, empresarial y académica
- ●✅ Evaluación automática de la calidad de las fuentes
- ●✅ Validación por esquema de cada formato de conocimiento almacenado
- ●✅ Paso de linealización explícito entre la jerarquía y el texto
- ●✅ Cobertura de pruebas completa por componente del pipeline
- ●✅ Umbrales de aceptación fijados en documentos de decisión antes de medir
- ●✅ Evaluación ciega con evaluador independiente tras comprobar que el mismo evaluador inducía a error
- ●✅ Capa de conocimiento reconstruida a partir de las mediciones, no ajustada para aprobar
- ●✅ Estado derivado plenamente reconstruible desde los archivos fuente, idéntico byte a byte
- ●✅ Gobierno explícito del coste a medida que crecía el pipeline
- ●✅ AI Development Framework validado para proyectos de pipelines de IA
Este proyecto se reparte en varios repositorios, cada uno dedicado a un ámbito distinto.
Repositorio meta
Repositorio privado
Aplicación (orquestación)
Repositorio privado
Investigación (fase 1)
Repositorio privado
Conocimiento (fase 2)
Repositorio privado
Contenido (fase 3)
Repositorio privado
Capa de enlazado
Repositorio privado
Recuperador de fuentes
Repositorio privado
Capa de almacenamiento
Repositorio privado
Conversaciones de IA
Repositorio privado