ember-memory-test/episodes/DEPURA_debug-tcnico-code-migracin-de_S20260410.R7_XX.imp.3.hot_inf.pr.fi.es.00C.HPQ_J.CFRBK_E.DGNFD.md

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
5b4abebf-01cb-4a57-ac23-b5a9d5625747	DEPURA_debug-tcnico-code-migracin-de_S20260410.R7_XX.imp.3.hot_inf.pr.fi.es.00C.HPQ_J.CFRBK_E.DGNFD	S20260413	informar	multi_actor	moderate	NONE	implementation	troubleshooting	EPISODIO 12 — AEGIS: DEBUG TÉCNICO + CODE: Migración de embeddings a Voyage AI...	chat_ember	private	2026-04-13T12:07:31.566628+00:00	false	pending

-|-------| | ID | EP_12 | | Categoría | G — Technical debugging | | Subtipo | G4 — Debugging técnico con polisemia + negación + código | | Topología | Diagnóstico multi-mode: debug principal + advisory + code, 4 secciones temáticas | | Sesión simulada | S20260410 (fecha ficticia) | | Participantes | John (piloto), Ember/FORJA+AEGIS (asistente multi-skill) | | Modo principal | debugging (score esperado >0.75) | | Modos secundarios | advisory (>0.35), code (>0.35) | | Emoción esperada | concern (inicio) → resolution (final) | | Entidades nuevas esperadas | VoyageAI (proveedor embeddings), Mercurio-Server (host staging), parse_temporal_refs (función Python) | | Términos polisémicos | "Mercurio" (servidor vs planeta vs elemento químico), "Bus" (event bus Redis Streams vs data bus hardware) | | Negaciones target G15 | simple invertida, anidada, implícita por exclusión | | Bloques código target G16 | Python (parse_temporal_refs + EmbeddingMigrator) + SQL (ALTER TABLE + SELECT verificación) | | CODEX ref | S20260410.R7 (ficticio) | --- ## CHAT SIMULADO John — S20260410.R6: Ember, necesito tu ayuda urgente. Ayer a las 14:00 UTC descubrí que los embeddings de Gemini Embedding 001 que estamos usando en las 9 colecciones de Qdrant tienen un problema de drift semántico cuando procesan episodios con código embebido. Hace 2 sesiones (S20260408) habíamos notado que los retrievals de episodios técnicos devolvían scores por debajo de 0.72, pero asumí que era un problema de chunking. Hoy a las 09:30 UTC investigué más a fondo y el problema real es que Gemini Embedding 001 colapsa los vectores de bloques de código Python con los vectores de texto narrativo circundante, produciendo un embedding promedio que no representa bien ni el código ni la narrativa. La semana próxima tengo que presentar los resultados de MNEMO a un colega, así que necesito que este procedimiento funcione antes del viernes 2026-04-17. Estuve evaluando VoyageAI como alternativa — específicamente el modelo voyage-3-large que genera embeddings de 1024 dimensiones nativos pero permite upscale a 3072 via Matryoshka. El pricing es USD 0.06 por millón de tokens (verificado en la página de VoyageAI hace 3 horas). El problema adicional: nuestro servidor de staging Mercurio-Server (el CX22 de Falkenstein que montamos en enero para pruebas) está sirviendo los embeddings de prueba a través de un event bus Redis Streams, y cuando Mercurio-Server procesa más de 50 episodios en batch, el bus de datos del servidor físico se satura porque el CX22 solo...