diff --git a/episodes/TRAZA_1-ruta-nativa-spark-como-laboratorio-rag_S20260913.R2_XX.ops.2.hot_inf.in.cc.es.000.MGQ_J.PMCFK_E.SGNFD.md b/episodes/TRAZA_1-ruta-nativa-spark-como-laboratorio-rag_S20260913.R2_XX.ops.2.hot_inf.in.cc.es.000.MGQ_J.PMCFK_E.SGNFD.md
new file mode 100644
index 00000000..14495c93
--- /dev/null
+++ b/episodes/TRAZA_1-ruta-nativa-spark-como-laboratorio-rag_S20260913.R2_XX.ops.2.hot_inf.in.cc.es.000.MGQ_J.PMCFK_E.SGNFD.md
@@ -0,0 +1,40 @@
+---
+episode_id: "50f82bc2-ec0c-4a94-adc8-c9c6a743c9a4"
+puente_flat: "TRAZA_1-ruta-nativa-spark-como-laboratorio-rag_S20260913.R2_XX.ops.2.hot_inf.in.cc.es.000.MGQ_J.PMCFK_E.SGNFD"
+session_code: "S20260913.SIDE55529A2E3F4"
+acto_dialogico: "informar"
+actor_flujo: "multi_actor"
+criticidad_aegis: "low"
+skill_dominante: "TESSERA"
+fase_proyecto: "operations"
+tipo_semantico: "design"
+summary_one_line: "EPISODIO 2 — Neo4j: 1. Ruta nativa Spark como laboratorio. rag-ai-workbench da.."
+source_type: "claude_code"
+trust_boundary: "internal"
+created_at: "2026-09-13T19:08:23.395566+00:00"
+relectura_tagged: false
+forgejo_commit_sha: "pending"
+---
+
+1. **Ruta nativa Spark como laboratorio.** `rag-ai-workbench` da el esqueleto RAG probado en Spark. `nim-llm` o `vllm` sirven el modelo local. `txt2kg` construye grafo de conocimiento desde texto con LLM local, y eso calza con la memoria relacional Neo4j del LEXICON de Ember. `open-webui` da la interfaz de chat. Riesgo bajo, todo soportado oficialmente.
+2. **AI-Q como arquitectura de referencia del agente.** Es lo que Ember ya es en espíritu: agente investigador que recupera de datos propios, busca en web y redacta informes. Adoptar su diseño de agente y sustituir sus piezas de datacenter por las del punto 1. Riesgo medio.
+3. **Enterprise RAG Pipeline.** Es un componente interno de AI-Q, acoplado a Milvus GPU. No empezar por aquí. Ember debe conservar Qdrant como escritor único del crisol (ley dos vías) y consumir solo los NIM de embedding y reranker como servicios.
+4. **NemoClaw con Hermes Agent.** Agentes locales siempre encendidos con skills que aprenden, en sandbox. Segundo carril del laboratorio, muy cercano al modelo de skills de Ember.
+5. **Nsight Copilot.** Sirve como prueba viva de que RAG local corre en Spark, pero su dominio es código CUDA. Usarlo de plantilla, no de producto.
+
+Descartar VSS, Streaming-to-RAG y el resto vertical (retail, finanzas, biología, robótica).
+
+**Modelo inicial sugerido (soft_fact):** un MoE que quepa cuantizado en NVFP4 o MXFP4, tipo gpt-oss-120b o Nemotron 3 Nano; el playbook `nvfp4-quantization` existe para eso.
+
+**Nota de cuarentena web:** el guardián marcó "execute-command" en la lectura. El fragmento es la frase de marketing de OpenClaw "installed with a single command". Benigno; no se obedeció nada.
+
+**✅ Hice:** verifiqué el catálogo real (32 blueprints) y la lista de playbooks de Spark, y crucé ambos con la arquitectura de memoria de Ember.
+**⏳ Falta:** confirmar qué NIM tienen imagen ARM64 hoy, y decidir si el laboratorio conserva Qdrant o prueba Milvus. Depende de ti y de tokens.
+**💡 Mi consejo:** primer fin de semana solo playbooks (vllm + open-webui + rag-ai-workbench). Si eso vive, segundo paso txt2kg contra tu Neo4j. AI-Q se copia como diseño, no se instala.
+
+**Para avanzar, elige:**
+🟢 A → ruta nativa Spark en 2 pasos. *Si eliges esto: laboratorio funcionando rápido, riesgo bajo.* *(recomendado)*
+🟡 B → portar AI-Q completo con NIM ARM. *Si eliges esto: arquitectura más rica, semanas de fricción de contenedores.*
+⚪ C → NemoClaw/Hermes primero. *Si eliges esto: pruebas agentes con skills antes que RAG; el RAG queda para después.*
+
+Modo degradado declarado (R10): por el 2% de tokens no se cargaron BEACON ni CONCILIO pese al D-EXTERNAL-PROPOSAL detectado; opinión directa con procedencia.