Skill: TESSERA | Type: troubleshooting Summary: EPISODIO 24 — Qdrant: CHAT-TEMA-RAÍZ: Cómo quedó hecho el embedding de lo vital
2.9 KiB
2.9 KiB
| episode_id | puente_flat | session_code | acto_dialogico | actor_flujo | criticidad_aegis | skill_dominante | fase_proyecto | tipo_semantico | summary_one_line | source_type | trust_boundary | created_at | relectura_tagged | forgejo_commit_sha |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| c036beb1-d04c-4946-a95e-da349f50ab7d | TRAZA_chat-tema-raz-cmo-qued-hecho-el-embeddin_S20260607.R24_XX.ops.2.hot_inf.in.cc.es.000.MGQ_J.PMCFK_E.SGNFD | S20260607.MNEMO_BUG_FORENSE_MAP | informar | multi_actor | low | TESSERA | operations | troubleshooting | EPISODIO 24 — Qdrant: CHAT-TEMA-RAÍZ: Cómo quedó hecho el embedding de lo vital de | claude_code | internal | 2026-06-09T08:00:10.283232+00:00 | false | pending |
Verificado empíricamente. Tengo los datos duros del estado real del embedding. Te lo explico ordenado. ---
CHAT-TEMA-RAÍZ: Cómo quedó hecho el embedding de lo vital del servidor MEMORIA
R127-SUB-TEMA: Configuración técnica + estado real de vectorización (verificado hoy)
—
[R127.seccion1.I1] — Insight central: el embedding ya está completo y operativo
Lo más vital del servidor (la memoria semántica recuperable) está embebido con un esquema homogéneo y consistente en las 7 colecciones Qdrant. Lo confirmé recién consultando Qdrant directo (no de memoria):
- Modelo:
text-embedding-3-largeenrutado a Geminigemini-embedding-001vía LiteLLM/OpenRouter[soft_fact — de MEMORY.md; el alias LiteLLM lo confirmo abajo como pendiente de re-verificar este turno] - Dimensiones: 3072 por vector
[hard_fact — get_collection_info R127] - Distancia: Cosine (similitud coseno)
[hard_fact] - Índice: HNSW operativo —
indexed_vectors_count≈points_counten todas[hard_fact]
[R127.seccion2.T1] — Tabla: estado real de las 7 colecciones (Qdrant, hoy)
| Colección | Puntos | Indexados | Vital para | Estado |
|---|---|---|---|---|
ember_experience |
4742 | 4737 | Sesiones, episodios, EXODUS — el corazón del retrieval | 🟢 green, HNSW ✅ |
ember_lexicon |
542 | 542 | Diccionario canónico (entidades, aliases) — resolución TP-1 | 🟢 green, HNSW ✅ |
ember_inner |
333 | — | Reflexiones Ψ write-once (identidad) | 🟢 green |
ember_knowledge |
121 | — | Procedimientos, ADRs, skills | 🟢 green |
ember_album |
11 | — | Hitos fundacionales (never decay) | 🟢 green |
ember_synthesis |
5 | — | Consolidaciones temporales | 🟢 green |
ember_shared |
0 | — | Co-creación (pipeline aún sin alimentar) | 🟢 green, vacío |
[Procedencia: list_collections + get_collection_info ×2, ejecutados este turno R127, outputs literales preservados, confidence=hard_fact]
[R127.seccion3.P1] — Cómo se hace el embedding (el pipeline, en llano)
Cada texto que entra a memoria pasa por el pipeline MNEMO (7 fases F0–F6 del crisol_run).