Construyendo una Infraestructura de Conocimiento de IA Persistente con OpenClaw

Un desarrollador ha construido un sistema completo de infraestructura de conocimiento llamado 'Brain' sobre OpenClaw para abordar el problema de falta de estado común en configuraciones de IA. El sistema proporciona memoria persistente entre sesiones, permitiendo a los usuarios consultar decisiones pasadas e historial de flujos de trabajo.

Arquitectura Central

Brain sirve como el servicio central de conocimiento donde los documentos son ingeridos, fragmentados e incrustados localmente usando Ollama. Los datos se almacenan en múltiples bases de datos: Postgres, MongoDB y Qdrant, con relaciones mapeadas en una base de datos de grafos Memgraph. Esto hace que cada decisión, sesión y flujo de trabajo ejecutado sea buscable y conectado.

Búsqueda y Recuperación

La búsqueda en Brain utiliza recuperación híbrida combinando búsqueda semántica vía Qdrant con búsqueda de texto completo BM25 desde Postgres, fusionadas usando fusión de rango recíproco. Los resultados se deduplican automáticamente y se presupuestan por contexto antes de la síntesis.

Agente RAG y Sistema de Plugins

Sobre Brain se encuentra un Agente RAG que ejecuta un pipeline completo: recuperar → expandir grafo → fusionar → sintetizar, todo impulsado por modelos Ollama locales. El agente estima confianza en cada respuesta y registra automáticamente 'brechas de conocimiento' en una cola pendiente cuando la confianza es baja.

El sistema incluye un sistema de plugins limpio con 33+ herramientas tipadas que los agentes pueden llamar, incluyendo: brain_search, brain_ingest, brain_rag_query, brain_graph_slice y brain_condense_domain. Cada operación tiene una interfaz estricta y bien tipada.

Flujos de Trabajo y Observabilidad

Los flujos de trabajo son ciudadanos de primera clase en este sistema. Pipelines de múltiples pasos—orientar, obtener, inspeccionar, sintetizar, registrar—pueden ejecutarse ya sea a través de agentes o mediante un ejecutor determinista en un cronograma cron sin participación de LLM. La telemetría y observabilidad permanecen consistentes en cualquier caso.

Cada agente tiene un mandato estricto y se comunica mediante traspasos estructurados, con toda la actividad rastreada de vuelta a Brain como historial buscable. Un verificador de deriva en Python compara configuraciones de agentes en vivo contra instantáneas de Brain, registrando automáticamente eventos estructurados cuando las listas de permisos de herramientas o versiones de plugins cambian.

Despliegue Local y Planes Futuros

Todo el sistema funciona localmente usando Ollama para incrustaciones y síntesis, con Docker para todos los almacenes. No hay llamadas a OpenAI ni APIs externas para la capa central de inteligencia.

Los próximos pasos incluyen migrar el agente RAG a LlamaIndex Workflows, desarrollar un SDK compartido brain-client y ajustar la superficie de la API. Los endpoints RAG se están moviendo a un prefijo /v1/rag/, realm se está convirtiendo en un encabezado, y las fachadas con fugas de DB se están abstrayendo adecuadamente.