![\"La](\"docs/Mi%20neurona%20en%20el%20sistema/imagenes/neurona_asociativa_biorag.jpg\")
\n\n \n
La neurona asociativa de BioRAG (ilustración). El cuerpo vive dentro de la silueta de un hipocampo, la parte del cerebro que decide qué se une con qué. Sus cinco dendritas (oro: el texto; celeste: el tiempo; verde: las etiquetas) tocan dos recuerdos. Arriba nace la sinapsis entre ellos. Los hilos grises del fondo son las conexiones con ruido que la neurona sabe reconocer.
\n\n> **En una frase:** BioRAG ya tiene su **segunda neurona**. Mira dos recuerdos y responde una sola pregunta: **¿de verdad tienen que ver?** Nace calibrada de fábrica, no aprende de tu memoria, decide en tiempo constante y **ya está examinada**, también por una persona a mano.\n\n**Estado honesto al cerrar la v35.** La neurona está **construida, calibrada, examinada y cerrada**, pero **todavía no decide nada dentro del motor**:\n- Se probó que pusiera el peso de nacimiento de cada sinapsis (`dd85fcf`). La búsqueda dio exactamente igual, así que **se revirtió** (`76fe11c`).\n- Se probó en una simulación que cortara sinapsis al nacer. **Baja el recall con cualquier umbral**, así que se descartó.\n- Su lugar natural, ya medido en una copia, es **elegir qué asociaciones ve el agente**. Queda para la próxima versión, medido antes y después.\n\nLa v35 sí cambia dos cosas en el motor (ver [Otros cambios de la v35.0](#otros-cambios-de-la-v350)):\n- los **enlaces que hace el agente** ya **no los borra nunca** el sistema;\n- el servidor MCP **ya no le sugiere** al agente qué vincular ni qué desvincular.\n\n| Pieza | Estado en v35.0 |\n|---|---|\n| Neurona asociativa (`core/neurona_asociativa.py`) | ✅ Construida, cerrada (no aprende), con pruebas propias |\n| ¿Decide dentro del motor? | ⏸️ Todavía no. Probado y revertido (peso); probado y descartado (cortar) |\n| Enlaces del agente (`manual`, `manual_v7`) | ✅ **Intocables** para el sistema; solo `desvincular` los borra |\n| Sugerencias MCP de vincular / desvincular | ✅ **Quitadas** (las herramientas `vincular` y `desvincular` siguen) |\n| QA oficial antes y después de todos los cambios | ✅ **Idéntica**: Recall@5 100.00 % · Recall@1 91.89 % · MRR 0.950 · FP 0/40 · `[GATE] OK` |\n| Pruebas | ✅ **430/430** |\n\n\n\n### 1. Por qué existe\n\nBioRAG guarda recuerdos y los **une** con sinapsis (el grafo). En la memoria de Dennys hay **851 recuerdos activos y 13,342 conexiones**. Casi todas las crean **cinco reglas automáticas**:\n\n| Regla automática | Sinapsis que creó |\n|---|---:|\n| `sinonimo_explicito` (comparten un sinónimo) | 5,863 (42 %) |\n| `pmi_hebbiano` (aparecen juntas) | 2,359 |\n| `co_ocurrencia` | 2,108 |\n| `co_nombre` (se parecen en el nombre) | 1,558 |\n| `co_semantica` | 1,226 |\n\nEsas reglas unen por coincidencias. Ninguna se pregunta **si los dos recuerdos de verdad tienen que ver**. Lo medimos de tres formas:\n\n1. **Examen a mano.** Dennys juzgó 99 pares de su memoria. Entre las sinapsis automáticas, cerca del **45 % son buenas** (margen 32–59 %). Más o menos la mitad es ruido.\n2. **El peso de hoy no separa nada.** Con el peso que reciben hoy, los 381 enlaces hechos por personas quedan **por debajo** del resto (AUC **0.271**, peor que tirar una moneda).\n3. **El único juez hoy es la hormiguita**, que le pregunta a Gemini. Es una API externa: cuesta dinero, necesita internet, puede responder distinto ante el mismo par y además se equivoca. De 15 pares que Gemini sacó, Dennys dijo que **6 sí tenían que ver**.\n\n**En el cerebro**, quien decide qué se une con qué es el **hipocampo**. Funciona por partes:\n- la **corteza entorrinal** le trae las señales;\n- el **giro dentado** separa lo que se parece pero no es lo mismo;\n- **CA3** guarda la red de asociaciones;\n- **CA1** compara y decide.\n\nBioRAG ya tenía la entrada (las señales) y la red (el grafo y la SDM). **Le faltaba el juez.** Esta neurona es ese juez.\n\n\n\n### 2. Qué tipo de neurona es\n\n| Pregunta | Respuesta |\n|---|---|\n| **Arquitectura** | **Una neurona logística**: 5 entradas (\"agujas\") → Σ → curva sigmoide → **fuerza** de 0 a 1. Son **6 números** en total (un sesgo y 5 pesos). |\n| **Qué responde** | ¿Los recuerdos A y B tienen que ver? `fuerza ≥ 0.6` = sí con confianza; `< 0.6` = dudoso. |\n| **De dónde salen sus pesos** | **De fábrica**. Se calibraron a mano sobre **7 memorias públicas** muy distintas (noticias en inglés y en español, un diccionario, relatos, código Python, un chat real y la obra de Machado de Assis en portugués). Cada una trae su propia verdad, por ejemplo \"mismo tema\" o \"misma clase\". |\n| **Qué aprende de tu memoria** | **Nada.** Es **cerrada**: nace calibrada, como las neuronas con las que nacemos. No memoriza tu memoria ni la de nadie. |\n| **Qué sí mide de cada memoria** | Solo lo necesario para leerla: la rareza de cada raíz, un espacio semántico de 100 dimensiones y **dos llaves**. Las llaves dicen si en *esa* memoria el tiempo y las etiquetas coinciden con el texto. Todo se mide solo, sin respuestas correctas. |\n| **Idiomas** | Cualquiera. Usa raíces de 7 letras y no tiene listas de palabras de ningún idioma. |\n| **Cuánto cuesta** | Cada decisión entre dos recuerdos es de **tiempo constante**: no depende del tamaño de la memoria. El estado se arma una vez sobre un máximo de **2,000 recuerdos** y se rehace cuando la memoria crece un 10 %. Solo usa numpy, sin GPU ni APIs. |\n| **Dónde vive** | `core/neurona_asociativa.py` (versión `asoc-1`). Si algún día la llama el motor, guarda su estado en dos tablas propias: `neurona_asociativa_estado` y `neurona_asociativa_raices`. |\n| **Interruptor** | `BIORAG_NEURONA_ASOCIATIVA=0` la apaga. En v35 el motor no la llama, así que hoy no cambia nada. |\n\n\n\n**La inspiración biológica (es inspiración, no simulación):**\n\n| En el cerebro | En la neurona asociativa |\n|---|---|\n| Corteza entorrinal (trae la información) | Las **agujas**: lo que se mide del par |\n| Giro dentado (separa lo parecido de lo igual) | `rareza_max`: compartir una pista **rara** vale más que compartir una palabra común |\n| Corteza (significado) | `parecido` y `semantica` |\n| **Células de tiempo** (lo que se vive junto se une) | `episodio`: guardados cerca en el tiempo. Es la aguja que más pesa (×4) |\n| Esquemas de la corteza prefrontal | `etiquetas`: dims compartidas |\n| CA1 (compara y decide) | El Σ y la curva: la **fuerza** |\n| CA3 (la red de asociaciones) | El grafo y la SDM que **ya existían** en BioRAG |\n| Homeostasis (no dejar que algo domine todo) | Las **llaves**: el tiempo y las etiquetas valen solo si en esa memoria coinciden con el texto |\n\n### 3. La fórmula: un piso a mano, calibrado y cerrado\n\n```\nz = −1 + 2·parecido + 1·semantica + 1·rareza_max + 4·episodio·llave_tiempo + 1·etiquetas·llave_dims\nfuerza = 1 / (1 + e^−z)\n```\n\n| Aguja | Pregunta que hace | Peso | Por qué ese peso |\n|---|---|---:|---|\n| `parecido` | ¿Usan las mismas palabras? (coseno tf-idf de raíces) | 2 | La señal más estable en las 7 memorias |\n| `semantica` | ¿Significan lo mismo? (LSA, 100 dimensiones) | 1 | Rescata pares que dicen lo mismo con otras palabras |\n| `rareza_max` | ¿Comparten una pista muy rara? | 1 | Compartir \"nefrona\" dice más que compartir \"sistema\" |\n| `episodio` | ¿Se guardaron cerca en el tiempo? | 4 | Es lo que más pesa en el cerebro. Solo vale si la llave dice que en *esa* memoria el tiempo coincide con el texto (en la de Dennys, la llave vale 0.48). Si pasaron más de 7 días reales, no cuenta. |\n| `etiquetas` | ¿Comparten dims? | 1 | Igual, con su propia llave (0.36 en la de Dennys) |\n\n**Un par real, paso a paso.** Es uno de los enlaces que Dennys puso a mano. Casi no comparten palabras (`parecido` 0.04), pero comparten una pista rara (0.50) y se guardaron cerca en el tiempo (0.44, ya pasado por la llave). La suma da z = 1.65, y eso da una **fuerza de 0.84**. A la izquierda se ven las 12 agujas medidas; en la suma entran solo las 5 de la fórmula. La nota de abajo (\"top 10\") viene de la competencia del experimento, que el motor no usa.\n\n\n\n**Las llaves: cada memoria decide sola si confía en el reloj y en las etiquetas.** La llave compara qué tan parecidos son, por texto, los recuerdos que el reloj (o las etiquetas) junta, contra pares al azar. No usa ninguna respuesta correcta. Si no hay relación, la llave se cierra: con un reloj al azar da casi 0, y una prueba automática lo verifica. Por eso el tiempo cuenta casi entero en un chat (llave 0.74), casi nada en noticias (0.10) y a la mitad en la memoria de Dennys (0.48).\n\n\n\nSe midieron **12 agujas**. Solo 5 entran en la fórmula, porque las otras 7 no ayudaban en las 7 memorias a la vez. También se descartaron, con pruebas:\n- **Competencia** (cada recuerdo se queda con sus K socios más fuertes): conserva pares débiles y suelta buenos.\n- **Coacceso** (recuerdos que se piden juntos): AUC 0.459, no separa.\n\nLa neurona **tiene una parte que puede aprender, pero queda apagada.** Probamos una corrección aprendida sobre la fórmula:\n- con cada memoria por separado ganaba hasta +4.55 puntos;\n- con todas juntas, lo que una ganaba otra lo perdía (la \"balanza\").\n\nPara servir en cualquier memoria, **la fórmula a mano es mejor**. La corrección queda en escala 0, por decisión de Dennys: la neurona asociativa **no aprende**.\n\n\n\n\n\n### 4. Cómo se examinó\n\n**4.1. En memorias que nunca vio.** Para cada memoria se volvió a calibrar la fórmula **sin mirarla** (con las otras 6) y después se le tomó examen. La AUC es la probabilidad de que un par que sí tiene que ver saque más fuerza que uno que no: 0.5 es azar y 1.0 es perfecto.\n\n| Memoria | Idioma | Pares | Sí tienen que ver | Regla simple (Jaccard) | **Neurona** |\n|---|---|---:|---:|---:|---:|\n| noticias (Reuters) | en | 47,175 | 26.5 % | 0.834 | **0.882** |\n| diccionario (WordNet) | en | 40,225 | 2.9 % | 0.843 | **0.902** |\n| relatos (Brown) | en | 27,195 | 5.8 % | 0.915 | **0.994** |\n| código (librería de Python) | Python | 31,223 | 6.9 % | 0.900 | **0.927** |\n| chat real (NPS) | en | 24,746 | 23.2 % | 0.627 | **0.911** |\n| noticias (EFE) | es | 16,359 | 6.4 % | 0.915 | **0.997** |\n| Machado de Assis | pt | 25,782 | 8.9 % | 0.758 | **0.962** |\n\nPromedio **0.939**; el peor caso es **0.882**. En las 7 memorias, la neurona supera a la regla simple.\n\n\n\n**4.2. En la memoria real de Dennys, que tampoco vio.** En la DB hay dos jueces: lo que unió una persona o el agente (381 enlaces) y lo que juzgó Gemini.\n\n| Prueba | Peso de hoy | **Neurona** |\n|---|---:|---:|\n| Enlaces humanos vs el resto (AUC) | 0.271 | **0.868** |\n| Enlaces humanos vs lo que Gemini sacó (AUC) | — | **0.930** |\n| Fuerza típica (mediana): humanos / Gemini confirmó / Gemini sacó | — | **0.75** / 0.45 / 0.40 |\n\n\n\n**La huella:** para cada aguja, el valor típico de los enlaces humanos (verde) y el de lo que Gemini sacó (rojo). Cuanto más larga la barra, más ayuda esa aguja a distinguirlos. Las que más separan son `pistas_raras`, `mutuo` y `semantica`.\n\n\n\n**4.3. Examen a mano.** Dennys leyó los 100 pares con el texto completo de cada recuerdo y contestó 99.\n\n| Resultado | Valor |\n|---|---|\n| AUC de la fuerza en los 99 pares | **0.73** (margen 0.62–0.83) |\n| Pares con fuerza **≥ 0.6** | 31 «sí» de 42 (74 %) |\n| Pares con fuerza **< 0.6** | 16 «sí» de 44 (36 %) |\n| Sinapsis que **ya existen** con fuerza ≥ 0.6 | **13 buenas, 1 mala** |\n| Sinapsis existentes: neurona vs peso de hoy (AUC) | **0.77** vs 0.63 |\n| Pares que **no existen** y la neurona propone | **12 «sí» de 15** (80 %) |\n| Sinapsis automáticas buenas (estimado) | ~45 % (32–59 %) |\n\nLa neurona no es perfecta, pero **juzga como una persona mucho mejor que el peso de hoy**, y encuentra enlaces buenos que hoy no existen.\n\n### 5. Qué se probó dentro del motor, y por qué hoy no decide\n\nTodo se midió con la QA oficial (875 búsquedas), en **copias** del snapshot. Nunca se tocó la DB real.\n\n**5.1. Poner el peso de nacimiento (experimento 12) → revertido.** Con la neurona fijando el peso de cada sinapsis nueva, la QA salió **idéntica**, incluso repesando todas las sinapsis automáticas de una copia. La búsqueda casi no mira ese peso. Ordenar mejor los enlaces no es buscar mejor. Como no se podía demostrar una mejora, Dennys pidió revertirlo (`76fe11c`).\n\n**5.2. Cortar sinapsis al nacer (experimento 13) → descartado.** Se simuló la neurona dejando nacer solo las sinapsis con fuerza suficiente, con la hormiguita apagada:\n\n| Escenario | Sinapsis automáticas | Recall@5 | Recall@1 | MRR | Fallos | Pares del examen que quedan (buenos / malos) |\n|---|---:|---:|---:|---:|---:|---|\n| Hoy (con hormiguita) | 13,114 | **100.00 %** | 91.89 % | 0.950 | 0 | 26 / 29 |\n| Hormiguita apagada | 15,864 | **100.00 %** | **92.00 %** | **0.951** | 0 | 30 / 36 |\n| La neurona corta < 0.40 | 10,261 | 99.89 % | 91.77 % | 0.949 | 1 | 27 / 28 |\n| La neurona corta < 0.50 | 3,847 | 99.66 % | 91.77 % | 0.948 | 3 | 18 / 11 |\n| La neurona corta < 0.60 | 1,684 | 99.43 % | 91.66 % | 0.947 | 5 | 15 / 8 |\n| Sin sinapsis automáticas | 0 | 99.43 % | 91.77 % | 0.948 | 5 | — |\n\n\n\nLo que enseñó:\n- **El \"ruido\" ayuda a buscar.** Sin las sinapsis automáticas se pierden 5 búsquedas.\n- **Cortar baja el recall con cualquier umbral.** La regla de BioRAG es que el recall nunca baja, así que la neurona **no debe borrar**.\n- **Apagar la hormiguita no bajó nada** (incluso sube un poco el primer puesto: por tema pasa de 63.08 % a 64.62 %). Es una simulación; la hormiguita **sigue igual en v35**.\n\n**5.3. Su lugar: lo que ve el agente (medido, todavía no aplicado).** Junto a cada resultado, BioRAG le muestra al agente las **asociaciones** del recuerdo (el \"canal 2\"). Eso **no toca el ranking**. Si la neurona eligiera cuáles mostrar:\n\n| Asociaciones mostradas | Total | Automáticas | Del agente | Recuerdos sin vecinos | Pares del examen visibles (buenos / malos) |\n|---|---:|---:|---:|---:|---|\n| Hoy | 3,173 | 2,466 | 691 | 22 | 5 / 8 |\n| La neurona filtra ≥ 0.50 | 2,588 | 1,876 | 694 | 103 | **9 / 1** |\n| La neurona filtra ≥ 0.60 | 2,024 | 1,303 | 698 | 225 | 10 / 1 |\n\n\n\nLa muestra es chica (10 a 13 pares) y parte del examen se eligió con la fuerza de la neurona. Es una **señal**, no una prueba firme. Por eso queda como el **próximo paso**, con su propia medición.\n\n### 6. Por qué debe existir\n\nEl mapa muestra lo que funciona hoy (línea llena) y los tres lugares donde la neurona puede entrar (línea punteada violeta). Ninguno está hecho todavía; irán de a uno. El ranking no se toca.\n\n\n\n1. **Para quitar a Gemini del grafo.** Hoy la limpieza depende de una API externa que cuesta, necesita internet y no siempre responde lo mismo. La neurona es local, gratis, determinista y de tiempo constante. Además separa los enlaces humanos de lo que Gemini sacó con AUC **0.930**.\n2. **Para que el agente vea asociaciones buenas.** Hoy, de los pares del examen que el agente llega a ver, hay más malos que buenos (5 / 8). Con la neurona filtrando, 9 / 1.\n3. **Para proponer lo que falta.** El 31 % de los enlaces humanos nunca llega a ser candidato de ninguna regla automática. De los pares que la neurona propuso y no existían, Dennys aprobó el **80 %**.\n4. **Para arreglar `vincular_por_sinonimos`**, la regla que más sinapsis crea (42 %). Con sus 5 mejores por recuerdo, la neurona encuentra **148** de los 381 enlaces humanos (fuerza media 0.711). Un arreglo a mano encontraba 122 (0.536).\n5. **Porque cualquier memoria la puede usar desde el día uno.** Viene calibrada de fábrica y no necesita QA, ni respuestas correctas, ni entrenamiento. Sirve para una DB vacía de un tercero.\n\nCada uno de estos pasos irá **por separado**: un cambio a la vez, con la QA antes y después, y la regla de que el recall nunca baja.\n\n### Otros cambios de la v35.0\n\n**Los enlaces del agente son intocables (`8c7d476`).** Lo que une el agente (`vincular`, o `vincular_con` en `aprender`/`guardar`; tipos `manual` y `manual_v7`) es una decisión informada: el agente buscó antes de guardar (`busqueda_previa`). Antes, 9 de esos enlaces habían bajado de 0.5 por el decaimiento. Ahora el sistema los salta en todos los procesos que pueden debilitar o borrar:\n\n| Proceso | Antes | v35 |\n|---|---|---|\n| Decaimiento del peso | Bajaba | No los toca |\n| Borrado por peso < 0.05 | Podía borrarlos | No los toca |\n| Poda LTD guiada | Podía podarlos | No los toca |\n| Hormiguita: prefiltro, cuarentena, borrar o repesar | Podía sacarlos | No los toca |\n| `desvincular` (el agente lo pide) | Borra | **Borra** (la decisión sigue siendo del agente) |\n\n**El MCP ya no sugiere qué vincular ni qué desvincular (`0182ad4`).** Se quitaron los mensajes que empujaban al agente a crear o borrar enlaces. Las herramientas `vincular` y `desvincular` siguen en el MCP, y `vincular_con` en `aprender` no cambió. El agente decide solo, con lo que encontró en su búsqueda previa.\n\n**Pruebas nuevas:**\n- `tests/test_neurona_asociativa_motor.py` (fiel al experimento 11, costo constante, techo de la muestra y que guardar sigue usando los pesos a mano);\n- `tests/test_enlaces_del_agente_intocables.py` (9 pruebas);\n- `tests/test_sin_sugerencias_de_enlace.py` (4 pruebas).\n\nTotal: **430/430**. La QA oficial quedó **idéntica** antes y después de todos los cambios v35, con el mismo snapshot y la misma semilla (`PYTHONHASHSEED=1`).\n\n### Límites (lo que no está probado)\n\n- Se calibró con 7 memorias públicas y se examinó con **una** memoria personal. Faltan más memorias reales.\n- El examen a mano lo hizo **una persona** con 99 pares. Parte de los pares se eligió con la propia fuerza de la neurona, lo que puede favorecerla.\n- La QA oficial mide si el recuerdo correcto sale en la búsqueda, **no** la calidad de las asociaciones ni el peso. Por eso el experimento 12 salió \"igual\".\n- Lo de la hormiguita apagada y el filtro del canal 2 se midió **en copias**. Ninguno está en el motor.\n- No se comparó todavía *agente + BioRAG* contra *agente + base de datos vectorial*.\n- El hipocampo es **inspiración**, no simulación.\n\nLo que ya tiene y lo que todavía le falta, medido y no supuesto. El 69 % de los enlaces humanos la neurona los propondría sola; el 31 % restante ni siquiera llega a ser candidato de ninguna regla:\n\n\n\n### Dónde está todo\n\n| Qué | Dónde |\n|---|---|\n| Diseño: el molde y dónde nacen las sinapsis | [Experimento 10 — Neuronas del motor](docs/Mi%20neurona%20en%20el%20sistema/experimento_10_neuronas_del_motor/) |\n| Construcción, calibración, exámenes y las 12 figuras | [Experimento 11 — La neurona asociativa](docs/Mi%20neurona%20en%20el%20sistema/experimento_11_neurona_asociativa/) |\n| Peso de nacimiento (revertido) | [Experimento 12 — La neurona en el motor](docs/Mi%20neurona%20en%20el%20sistema/experimento_12_neurona_en_el_motor/) |\n| Enlaces del agente, ruido, cortar al nacer, canal 2 y cierre | [Experimento 13 — Enlaces del agente y ruido](docs/Mi%20neurona%20en%20el%20sistema/experimento_13_enlaces_del_agente_y_ruido/) |\n| La neurona | `core/neurona_asociativa.py` |\n\nLas figuras se redibujan sin ninguna DB:\n- `python dibujar.py` en la carpeta del experimento 11;\n- `python dibujar.py` en la carpeta del experimento 13.\n\n**Con esto, el tema de la neurona asociativa queda cerrado en la v35.**\n\n---\n\n## 🌱 Novedades de la Versión v34.1 — La neurona aprende sola de verdad\n\n> **En una frase:** con v34.0, una memoria **nueva** casi nunca llegaba a encender la neurona. Con v34.1 lo logra en unas **20 consolidaciones**, sin perder nada en la QA oficial.\n\n### Cuánto tarda en aprender sola (v34.1)\n\nLa neurona practica **1 vez por cada consolidación** de la memoria (`consolidar`, `sueno` o cerrar sesión con `contexto_fin`). `aprender` deja el recuerdo en corto plazo y todavía no cuenta: 10 `aprender` + 1 `consolidar` = 1 práctica.\n\nEn v34.0 cada práctica hacía **2 preguntas a 2 recuerdos**: usaba 0.4 s de los 3 s que tiene permitidos. Medido con una memoria nueva que crece (5 recuerdos y 1 consolidación por sesión), en 80 sesiones juntó 20 preguntas de estudio y 7 de control. Necesita 150 y 40, así que **nunca** se encendía.\n\nv34.1 cambia solo **qué practica en cada consolidación**:\n\n1. **Usa el tiempo que ya tenía:** hasta **8 recuerdos × 7 preguntas**, siempre dentro de los mismos **3 s**. El costo sigue fijo: no crece con el tamaño de la memoria.\n2. **Pregunta a lo ancho:** primero la 1.ª pregunta de los 8 recuerdos, luego la 2.ª de los 8... Si los 3 s se acaban (memoria grande, búsquedas más lentas), las preguntas quedan repartidas entre muchos recuerdos distintos y no amontonadas en dos. Así conoce más recuerdos y no se acostumbra a pocos.\n3. **Repasa primero lo que le falta:** al elegir recuerdos al azar, empieza por el grupo del examen (estudio o control) al que más le faltan preguntas.\n\n| Memoria nueva, 5 recuerdos por sesión | v34.0 | **v34.1** |\n|---|---|---|\n| Examen listo (150 estudio + 40 control) | nunca | **sesión 16** |\n| La neurona empieza a trabajar | nunca | **sesión 21** |\n| Sesiones trabajando (de 80) | 0 | **60** (0 retiros) |\n| Tiempo por consolidación | 0.65 s | 2.15 s (tope 3 s) |\n\n**¿Se pierde algo? No.** QA oficial sobre una copia del snapshot, con el mismo número de prácticas (561):\n\n| | R@5 | R@1 | MRR | FP | Agente (MCP) R@1 / R@5 |\n|---|---|---|---|---|---|\n| Fórmula a mano (piso) | 99.89 | 91.66 | .949 | 0/40 | 92.34 / 99.09 |\n| v34.0 | 100 | 94.86 | .969 | 0/40 | 94.97 / 99.54 |\n| **v34.1** | **100** | **94.74** | **.968** | **0/40** | **94.74 / 99.54** |\n\nLa diferencia es 1 caso de 875, el ruido normal entre dos entrenamientos. Ninguna categoría queda por debajo de la fórmula y el GATE da OK.\n\n**Lo honesto:**\n- **Primer intento descartado:** el primer diseño (8 × 7 preguntando recuerdo por recuerdo) bajó la QA a R@1 93.26: conocía un tercio menos de recuerdos. De ahí sale \"a lo ancho\".\n- **Memoria muy chica:** con solo 2 recuerdos por sesión, el motor duerme los que no se usan y quedan ~25 despiertos. Con tan pocos la fórmula alcanza y la neurona no se enciende, que es lo correcto.\n- **Despertar:** a igual tiempo hace menos prácticas (cada una usa sus 3 s). `despertar_neurona.sh` mantiene su default de 500 prácticas (ahora ~22 min con ~900 recuerdos).\n\nTodo el detalle, con las salidas textuales: [Experimento 09 — Que aprenda sola de verdad](docs/Mi%20neurona%20en%20el%20sistema/experimento_09_aprende_sola_de_verdad/). Pruebas nuevas en `tests/test_neurona.py`: preferencia por el grupo que falta, recién consolidados primero y nunca dormidos, costo fijo al elegir (DB de 50 o 50 000 recuerdos) y preguntas a lo ancho.\n\n---\n\n## 🧠 Novedades de la Versión v34.0 — La Neurona de BioRAG\n\n\n ![\"La](\"docs/Mi%20neurona%20en%20el%20sistema/imagenes/neurona_biorag.jpg\")
\n
La neurona de BioRAG (ilustración). Agujas doradas: las señales de la fórmula. Agujas celestes: lo que aporta el agente. Los seis orbes: las neuronas ocultas. El escudo: las capas de protección. Las tarjetas: los resultados que ordena.
\n\n> **En una frase:** BioRAG ahora tiene una pequeña neurona que **aprende sola, mientras se usa, a ordenar mejor los primeros resultados**. Empieza siendo exactamente la fórmula a mano y **nunca puede quedar por debajo de ella**.\n\nLa versión **v34.0** es mayor porque cambia el **comportamiento del ranking**: por primera vez una pieza aprendida puede mover el orden de lo que recibe el agente. También cambian tres valores por defecto del servidor MCP (ver [Otros cambios de la v34.0](#otros-cambios-de-la-v340)). La API no se rompe: las llamadas MCP son las mismas.\n\n### 1. Por qué existe\n\nLa fórmula de BioRAG suma 17 señales (\"agujas\") con **pesos fijos puestos a mano**: BM25 vale 0.25, el Concept Hub 0.20, PPMI 0.15… Esos pesos son buenos en promedio, pero **la importancia de cada aguja depende del contexto**:\n- En una búsqueda literal manda BM25.\n- En una búsqueda por sinónimo, BM25 casi no aporta y pesan más los sinónimos, el PPMI y el grafo.\n- Cuando el agente manda `sustantivos_clave`, la evidencia en ese campo vale más que una coincidencia suelta en el contenido.\n\nUn peso fijo no puede capturar eso. Por eso la fórmula llegaba al Top-5 en el 100 % de los casos, pero el **primer lugar** fallaba en las categorías difíciles: sinónimo 56 %, por tema 63 %.\n\nLa neurona aprende **cuánto vale cada aguja según el contexto** y corrige el orden **solo cuando está segura**.\n\n### 2. Qué tipo de neurona es\n\n| Pregunta | Respuesta |\n|---|---|\n| **Arquitectura** | Perceptrón multicapa chico: **29 entradas → 6 neuronas ocultas (tanh) → 1 salida**. **186 pesos** en total (W 6×29, b 6, v 6). |\n| **Qué produce** | Una **corrección residual** c(x) que se **suma** al score de la fórmula. Con c(x) = 0 el motor es idéntico al de siempre: los pesos a mano son el **ancla** y el **piso**. |\n| **Qué aprende** | *Learning to rank* por lista: entropía cruzada sobre el softmax del top-k, es decir, \"que la respuesta correcta quede primera\". |\n| **De dónde saca las respuestas correctas** | **Autosupervisión**. Cuando un recuerdo se consolida, la respuesta correcta se conoce: es ese recuerdo. El recuerdo se hace sus propias preguntas y el motor las responde en silencio. |\n| **Cuándo aprende** | **Al consolidar** (cuando un recuerdo pasa de corto a largo plazo: `consolidar`, `sueno` o `contexto_fin`), nunca al buscar. Así la búsqueda no paga el entrenamiento. Una práctica por consolidación, sin importar cuántos `aprender` hubo antes. |\n| **Cómo decide si lo aprendido sirve** | **Campeón y retador**: el retador estudia; solo reemplaza al campeón si gana en un examen que **nunca estudió** (la guardia) y no daña ninguna categoría. |\n| **Cuánto cuesta** | **Fijo por operación**: hasta 8 recuerdos × 7 preguntas por ciclo, siempre dentro de un tope de 3 s, y memoria de examen de tamaño fijo. El costo no crece con el tamaño de la memoria. |\n| **Dónde vive** | `core/memory/neurona.py` (la neurona) y `core/memory/neurona_examen.py` (el autoexamen). Su estado se guarda en la tabla `neurona_estado` de la misma DB. |\n\n**La inspiración biológica (es inspiración, no simulación):**\n\n| En el cerebro | En BioRAG |\n|---|---|\n| Dendritas que reciben señales | Las **29 agujas**: 17 de la fórmula y 12 de lo que pasó después y de lo que aporta el agente |\n| Interneuronas | Las **6 neuronas ocultas**, que combinan agujas (por ejemplo: \"sinónimo alto + BM25 bajo + vino del agente\") |\n| Axón que modula | La **corrección** que reordena el top-k |\n| Consolidación durante el sueño (*replay* del hipocampo) | Aprende **al consolidar**, repasando recuerdos |\n| *Primum non nocere* | El **margen \"primero no dañar\"** |\n| Homeostasis | **Piso** (no bajar de la fórmula) y **techo** (dejar de entrenar cuando ya no mejora y despertar si algo cambia) |\n\n### 3. Anatomía exacta\n\n![\"Anatomía](\"docs/Mi%20neurona%20en%20el%20sistema/imagenes/anatomia_neurona.png\")
![\"Ciclo](\"docs/Mi%20neurona%20en%20el%20sistema/imagenes/ciclo_de_vida.png\")
\n\n**El autoexamen.** Cada recuerdo genera sus propias preguntas, de forma determinista (el azar se siembra con su nombre):\n- **variante gramatical** (\"leccion backup bases datos\");\n- **typo** (\"leccion backpu bkase dyatos\");\n- **sinónimo** (\"leccion backup base informacion\");\n- **cruce de idioma** (\"insight backup repository inputs\");\n- **pregunta natural** (\"¿Cómo se hace leccion backup base datos?\");\n- **por tema** (\"restaurar probando cada\");\n- **contenido**: como pregunta alguien que no sabe el nombre (\"¿copia cada noche?\").\n\nNo genera preguntas literales ni de dormidos, porque esas el motor ya las resuelve.\n\n**Los dos caminos.** La neurona practica por los dos caminos reales, alternando:\n- **agente**: como llega por el MCP `recordar`. Pide 3× candidatos, aplica convergencia sobre los 10 que verá el agente, usa el peso sináptico y los `sustantivos_clave` que un agente sacaría de la consulta.\n- **crudo**: el motor solo, como la QA.\n\nEl piso es **por categoría y por camino**: ninguno de los dos puede bajar.\n\n**Desfase 0.** Una sola función, `vista()`, arma lo que ve la neurona **desde la página tal como se sirve**. El autoexamen guarda esa vista y el servicio corrige esa misma vista, así que lo que se aprende y lo que se usa es idéntico **por construcción**. Medido: 0 de 289 consultas reales con desfase (la v4 tenía 46.7 %).\n\n### 6. Las capas de protección\n\nCada capa cubre una falla concreta de \"una neurona viva dentro de una memoria\". Cada una tiene su prueba en `tests/test_neurona.py`.\n\n| Falla posible | Capa que la cubre |\n|---|---|\n| Aprender de una búsqueda distinta a la que se sirve | **Vista única** (desfase 0) |\n| Memorizar en vez de aprender | **Guardia del 20 %** + regla anti-memorización |\n| Empeorar alguna categoría | **Piso** por categoría y camino (R@1, MRR, R@5); el campeón que daña se **retira** |\n| Un retador gana en total cediendo una categoría que el campeón ya resolvía | **Piso contra el campeón**: más de 1 caso cedido en cualquier categoría y camino veta el ascenso |\n| Cambiar el orden con poca seguridad | **Margen \"primero no dañar\"** auto-calibrado |\n| Sacar un buen resultado del Top-5 (vista de 10) | Piso de R@5 + cero salidas de guardia del Top-5 |\n| Cambiar los números que miran los umbrales | **Invariante de reorden**: mismos nodos y mismos scores; si no se cumple, se sirve la página original. Los mapas de score del MCP se permutan igual |\n| Romper búsquedas literales | **Regla de identidad** |\n| Entrenamiento que diverge (NaN, infinito) | **Pesos sanos**: se descartan y vuelven los anteriores |\n| Errores repetidos | **Disyuntor**: 3 fallas seguidas → esa parte se pausa 1 h; el motor sigue igual |\n| Dos aprendizajes a la vez (sueño + consolidar) | **Candado no bloqueante**: si está ocupada, se salta el ciclo |\n| El autoexamen ensucia logs, accesos o el DMN | **Silencio por hilo**; otro hilo que busca a la vez no queda en silencio |\n| Cambia la fórmula del motor (otra versión) | **Huella del motor**: lo aprendido se descarta y se empieza de cero |\n| Estado corrupto en la DB | **Estado estricto**: si no se puede leer, se arranca limpio |\n| Varios procesos sobre la misma DB (MCP + CLI) | **Refresco** por marca de tiempo |\n| Un recuerdo acapara el examen | **Tope por recuerdo** (4) y memoria de tamaño fijo |\n| Recuerdos borrados o dormidos en el examen | **Purga** al azar (20 por ciclo, costo fijo) |\n| DB vacía o con pocos datos | Sin campeón: **el motor responde idéntico al de siempre** |\n\n### 7. Resultados (para auditar)\n\nTodo se midió sobre **copias** del snapshot canónico (nunca sobre el original ni sobre la DB viva) y está versionado en `docs/Mi neurona en el sistema/`.\n\n![\"Curva](\"docs/Mi%20neurona%20en%20el%20sistema/imagenes/curva_aprendizaje.png\")
![\"QA](\"docs/Mi%20neurona%20en%20el%20sistema/imagenes/qa_por_categoria.png\")
![\"Camino](\"docs/Mi%20neurona%20en%20el%20sistema/imagenes/camino_mcp_y_desfase.png\")