Volver a los proyectos

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

Activo
PythonBashAI PipelineKnowledge BaseContent
Cronología del proyecto

Inicio

10 de febrero de 2026

Fin

En curso

Duración

6+ months

Métricas clave

Tickets creados

292

Tickets completados

194

Sesiones de IA

41

Recorrido de desarrollo
Stack técnico
PythonBashClaude CLIMarkdownYAMLJSON SchemaGit
Resultados
  • ✅ 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
Repositorios

Este proyecto se reparte en varios repositorios, cada uno dedicado a un ámbito distinto.

Repositorio meta

Repositorio privado

Privado

Aplicación (orquestación)

Repositorio privado

Privado

Investigación (fase 1)

Repositorio privado

Privado

Conocimiento (fase 2)

Repositorio privado

Privado

Contenido (fase 3)

Repositorio privado

Privado

Capa de enlazado

Repositorio privado

Privado

Recuperador de fuentes

Repositorio privado

Privado

Capa de almacenamiento

Repositorio privado

Privado

Conversaciones de IA

Repositorio privado

Privado