Metis Public Health

🩺 Esta es la edición de Salud Pública y Epidemiología

Metis_PH incluye una capa de conocimiento de salud pública precargada — directrices de la OMS, informes de salud global y referencias de epidemiología/métodos — para que puedas hacer preguntas fundamentadas y con citas desde el primer día, sin tener que construir un corpus antes. El shell base (SVerITG/Metis), independiente del dominio, es idéntico en todo lo demás; se entrega vacío y construye la capa de conocimiento de tu campo mediante el cuestionario de configuración.

Véalo en acción

Related MCP server: RecallForge

Por qué los investigadores confían en él

• 📚 Cita tus propias fuentes. Las respuestas de conocimiento se anclan en tu biblioteca indexada, con citas a nivel de documento y de página — no en las suposiciones del modelo. Tu biblioteca fundamenta la respuesta; no la encierra. Metis también incorpora literatura reciente, directrices y conocimiento más amplio cuando es relevante, y te indica cuál es cuál — así que cualquier cosa que merezca citarse y que aún no tengas se convierte en un artículo que puedes añadir.

• 🔗 Conecta todo lo que sabes. Cada artículo, transcripción de reunión, idea, nota, entrada de diario y tarea está vinculado con el resto de tu trabajo. La beca que escribes hoy saca a la luz un artículo de método del año pasado y una nota de reunión de marzo — nunca tienes que ir a buscar; Metis te lo trae.

• 🧠 Enruta al experto adecuado. Pregunta en lenguaje natural, y Metis entrega el trabajo al especialista correcto entre más de 30 habilidades especializadas — Bibliotecario, Coach de Métodos, Compañero de Escritura, Memoria de Reuniones, Epidemiólogo, Constructor de Cursos, y más.

• 🔁 Se mejora a sí mismo. Después de cada tarea registra qué funcionó y qué se quedó corto; cada semana redacta mejoras para su propio comportamiento y espera tu aprobación. La mayoría de los servidores MCP son estáticos — Metis se vuelve más preciso cuanto más lo usas.

• 🚫 Se niega a inventar. Pregunta por algo que no está en tu biblioteca y Metis te lo dice, en lugar de fabricar una respuesta que suene plausible. (Este comportamiento de fundamentación está cubierto por una prueba automatizada).

• 🔒 Se queda en tu máquina. Incrustaciones locales, base de datos local, archivos locales. Tus artículos, datos adyacentes a pacientes y trabajos no publicados nunca salen de tu ordenador.

🎥 Véalo en acción arriba — el panel, un recorrido por las pestañas, la capa silenciosa hacia Claude Desktop, y Metis mejorando su propio trabajo.

La forma más fácil de probarlo: instala Claude Desktop y sigue la configuración en 3 pasos — viene precargado un espacio de trabajo de demostración, así que empiezas con algo que explorar en lugar de una pantalla en blanco.

¿Para quién es?

🔬 Soy investigador

No se necesitan conocimientos de programación. Instala en minutos, empieza a trabajar de inmediato. Todo lo que hace Metis se explica en lenguaje sencillo.

→ Empezar (3 pasos)

⚙️ Soy desarrollador

Código abierto, extensible, bien arquitecturado. Crea paquetes de dominio, añade agentes, amplía el servidor MCP o despliégalo para tu institución.

→ Explorar la arquitectura

¿Qué es Metis?

Metis es un compañero de investigación construido sobre Claude que mantiene tus datos en tu propia máquina. Da a cada conversación con IA una memoria persistente de tu dominio, tus artículos, tus proyectos y tu historial de trabajo. Enruta tus solicitudes al especialista adecuado, hace el trabajo, registra el resultado y devuelve una respuesta clara — sin que tengas que escribir prompts ni configurar nada.

La aplicación se ejecuta en tu máquina y tus datos se quedan ahí — tus documentos, notas, incrustaciones y memoria nunca salen de ella. El razonamiento lo impulsa Claude, así que el texto que elijas enviar para análisis va a la API de Anthropic; todo lo demás es local. (Consulta Protección de datos para saber exactamente qué sale de tu máquina, y cuándo.)

La versión corta: imagina una IA que ya conociera tu campo y tu literatura, conectara cada artículo, reunión, idea y nota que has capturado, enviara cada solicitud al especialista adecuado — y se volviera más precisa sobre tu trabajo, y sobre sí misma, cuanto más la usaras. Eso es Metis.

Cómo funciona

Metis no es una aplicación aparte a la que inicias sesión. Es un servicio pequeño que se ejecuta silenciosamente en segundo plano y conecta Claude con tu investigación — tus artículos, tu memoria, tus proyectos.

1. Un servicio en segundo plano (el "servidor MCP") se inicia con tu ordenador. Es el puente entre Claude y tus archivos — nunca interactúas con él directamente.

2. Hablas con Metis a través de Claude, de dos formas:

   • Claude Desktop (la más fácil): ábrelo y elige un prompt de Metis (p. ej. Metis, Metis Doctor) del menú de prompts — o simplemente pregunta.

   • Claude Code (terminal): escribe /metis seguido de tu solicitud.

3. Preguntas en lenguaje natural. Metis determina cuál de sus más de 30 especialistas debería encargarse, hace el trabajo usando tu biblioteca y memoria, y responde — citando fuentes.

Eso es todo. No hay nada que aprender antes de empezar; el panel es visibilidad opcional por encima de todo esto.

Filosofía de diseño

Cada conversación con IA empieza desde cero. Pierdes diez minutos re-explicando tu contexto y, cuando la sesión termina, desaparece. Las herramientas de IA genéricas son potentes pero sin estado — saben todo sobre el mundo y nada sobre ti.

Metis se basa en una idea: la IA debería conocerte. Y debería seguir mejorando — por sí sola.

No solo tu nombre — tu dominio, tu literatura, tus proyectos, tu estilo de trabajo preferido, tus preguntas abiertas, tus notas de reuniones del mes pasado y el artículo que añadiste a tu biblioteca ayer. Cuanto más usas Metis, mejor es cada respuesta. No porque la IA cambie — porque Metis te conoce mejor.

No necesitas seguir los avances en IA. Metis lo hace por ti. Cada semana, Metis revisa su propio rendimiento en todas tus sesiones, identifica dónde podría haberlo hecho mejor, redacta mejoras para su propio comportamiento y espera tu aprobación antes de aplicarlas. A medida que aparecen mejores métodos y modelos, esas mejoras se incorporan de la misma manera — siempre propuestas para tu aprobación, nunca aplicadas a tus espaldas. Como investigador, te centras en tu investigación. Metis se encarga de mantenerse afilado.

El mecanismo central es la polinización cruzada. Cada vez que capturas una idea, añades un artículo, registras una reunión o completas una tarea, Metis lo conecta con todo lo demás en tu universo de investigación. Un artículo que indexaste hace un año sale a la superficie cuando estás escribiendo una propuesta hoy. Una nota de reunión de marzo se enlaza con la idea que capturaste esta mañana. Una pregunta abierta de hace seis meses se conecta con un nuevo artículo que acaba de salir. Estas conexiones ocurren automáticamente, en segundo plano, sin que tengas que buscarlas. Esto es lo que hace de Metis un compañero de investigación en lugar de una herramienta de búsqueda: piensa a lo largo de todo tu cuerpo de trabajo para que no tengas que mantenerlo todo en tu cabeza.

Esto es terreno genuinamente nuevo. Los componentes individuales — modelos de lenguaje locales, generación aumentada por recuperación, enrutamiento de agentes, búsqueda vectorial — existen todos de forma independiente. Lo que Metis presenta es una integración coherente de todos ellos, construida específicamente para las demandas particulares del trabajo de investigación: plazos largos, datos sensibles, literatura profunda y conocimiento que se acumula a lo largo de los años. Un sistema que crece contigo y saca a la superficie conexiones para ti — en lugar de empezar desde cero en cada sesión. Hasta donde sabemos, no existe nada parecido como un sistema unificado, de ejecución local y orientado a investigadores.

Tres niveles — elige tu punto de entrada

Dónde estamos hoy: El servidor MCP, los más de 30 agentes y el panel de 9 pestañas están completamente operativos y se usan a diario. El instalador de un clic y la capa de conocimiento de dominio precargada aún se están refinando. Este es un sistema funcional — no es humo — pero tampoco está terminado. Si algo falla, por favor abre un issue. Ese feedback da forma a lo que se construye después.

Para investigadores

No se necesitan conocimientos de programación. Todo lo siguiente es de apuntar y hacer clic o copiar y pegar.

Cómo se alimenta Metis — tú eliges (no gastarás tokens de API solo por usarlo)

Metis funciona de dos maneras, y tú eliges:

• Con tu suscripción de Claude — sin clave de API, sin facturas por token. Este es el camino cotidiano: hablas con Metis a través de Claude Desktop o Claude Code, y los botones "✦ Actualizar con Claude" / lluvia de ideas del panel abren Claude Desktop con tu suscripción. La mayoría de la gente usa Metis enteramente de esta manera.

• Con una clave de API de Anthropic — solo se necesita para cosas que se ejecutan mientras no estás: el escaneo matutino programado y la generación automatizada de informes. Pago por token, normalmente unos pocos céntimos al día.

• Con un modelo local (Ollama) — opcional, para tareas auxiliares totalmente sin conexión (por ejemplo, el asistente de datos).

El instalador pide una clave de API para que la automatización pueda ejecutarse, pero puedes omitirla y usar Metis solo con tu suscripción. Nada en la experiencia interactiva requiere la API.

Instalación en 3 pasos

Paso 1 — (Opcional) Obtén una clave de API de Anthropic — solo para automatización sin supervisión (gratis, 2 minutos)

1. Ve a console.anthropic.com y crea una cuenta.

2. Haz clic en API Keys → Create Key. Copia la clave (empieza con sk-ant-…).

3. Mantén esa pestaña abierta — el instalador te la pedirá una vez.

La clave permanece en tu ordenador. Nunca se sube ni se comparte.

Windows

⬇ Descargar MetisSetup.exe

Haz doble clic en el instalador. El asistente te guía a través de:

1. Completo o solo IA — Completo te da el asistente de IA + el panel de investigación de 9 pestañas (~15 min). Solo IA es más rápido (~5 min) y puedes añadir el panel más tarde.

2. Tus proyectos — Dile a Metis en qué estás trabajando. Crea un registro de seguimiento para cada proyecto, escribe un archivo de contexto en la carpeta del proyecto y lo registra en Claude Desktop automáticamente.

3. Espacio de trabajo de demostración — Precarga proyectos, reuniones, literatura y tareas de ejemplo realistas para que puedas explorar cada función de inmediato. Recomendado para usuarios primerizos.

4. Clave de API — Pégala una vez.

Todo lo demás es automático. Claude Desktop se abre al final con Metis listo para funcionar.

Requisitos: Windows 10 u 11 · Conexión a internet · Clave de API

macOS o Linux

Abre Terminal y pega:

bash <(curl -fsSL https://raw.githubusercontent.com/SVerITG/Metis_PH/main/system/mcp-server/setup-mcp.sh)

El script hace dos preguntas (Completo o solo IA, espacio de trabajo de demostración) y hace el resto. Registra Metis con Claude Desktop y Claude Code automáticamente. Funciona en Ubuntu 20/22/24, Debian y macOS.

Requisitos: Python 3.10–3.13. El instalador prefiere uv (que descarga su propio Python 3.12 — no se necesitan paquetes del sistema). Si uv no está disponible, recurre a tu Python del sistema; en un sistema limpio puede que necesites sudo apt install python3-venv. Python muy nuevo (3.14+) aún no está soportado — algunos paquetes no publican wheels para él. Si te encuentras con "ensurepip is not available", instala uv (la línea de arriba) o python3-venv y vuelve a ejecutar.

Después de la instalación — clave de API y actualización

Clave de API (opcional): Copia system/.env.example a system/.env y añade tu clave, o el instalador te la pedirá. La clave habilita las funciones automatizadas (informes matutinos, escaneos programados); el uso interactivo a través de Claude funciona sin ella.

Actualización después de git pull: El servidor MCP se ejecuta desde una copia local del código fuente (no directamente desde el repositorio). Después de extraer código nuevo, vuelve a sincronizar con:

bash system/mcp-server/setup-mcp.sh --update

Esto vuelve a copiar el código fuente, reinstala el paquete y aplica las migraciones — sin volver a ejecutar el asistente completo.

¿Has movido la carpeta de Metis? Actualiza el archivo marcador en ~/.local/share/metis-mcp/.metis-rc-root con la nueva ruta, o vuelve a ejecutar el instalador.

Configuración del cliente MCP

El instalador registra Metis con Claude Desktop y Claude Code automáticamente — normalmente no necesitas editar ninguna configuración a mano. Los bloques siguientes son para referencia (y para directorios MCP): muestran cómo se conecta el servidor metis-rc.

Metis no es un servidor de una línea npx/uvx. Ejecuta primero el instalador — construye el entorno virtual local, inicializa la base de datos y genera el script de lanzamiento (run.sh) al que apuntan las configuraciones siguientes.

Paso 0 — instalar (construye el venv + la BD, genera run.sh):

bash system/mcp-server/setup-mcp.sh

Claude Code (cualquier SO) — lo hace el instalador por ti, o añádelo manualmente:

claude mcp add metis-rc ~/.local/share/metis-mcp/run.sh

Claude Desktop — macOS — en ~/Library/Application Support/Claude/claude_desktop_config.json:

{
  "mcpServers": {
    "metis-rc": {
      "command": "bash",
      "args": ["/Users/<you>/.local/share/metis-mcp/run.sh"]
    }
  }
}

Claude Desktop — Linux (nativo) — en ~/.config/Claude/claude_desktop_config.json:

{
  "mcpServers": {
    "metis-rc": {
      "command": "bash",
      "args": ["/home/<you>/.local/share/metis-mcp/run.sh"]
    }
  }
}

Claude Desktop — Windows + WSL — en %APPDATA%\Claude\claude_desktop_config.json:

{
  "mcpServers": {
    "metis-rc": {
      "command": "wsl",
      "args": ["-e", "/home/<you>/.local/share/metis-mcp/run.sh"]
    }
  }
}

Reemplaza <you> con tu nombre de usuario. El run.sh generado resuelve METIS_RC_ROOT desde un archivo marcador en tiempo de ejecución — sin rutas codificadas. No se requiere clave de API para ejecutar el servidor en sí.

Qué obtienes el primer día

Flujos de trabajo clave

Mañana

Wake up
  └─ Metis scanned overnight
       ├─ New papers on your configured research topics
       ├─ Surveillance alerts and field news
       ├─ Tasks due today, overdue items
       └─ Suggested daily focus based on your open projects
           └─ Open dashboard → read morning brief → start work

Literatura

New paper (PDF / DOI / Zotero / Mendeley import)
  └─ Librarian indexes it
       ├─ Added to knowledge graph
       ├─ Cross-pollinated with existing papers, past ideas, meeting notes
       └─ Available for cited semantic search immediately
           └─ Ask: "What do my papers say about X?"
                └─ Answered with inline citations from your own library

Reuniones

Meeting ends
  ├─ Paste transcript (Teams / Zoom / any audio file)
  └─ Meeting Memory agent processes it
       ├─ Structured notes with context
       ├─ Action items: who does what, by when
       ├─ Cross-references to your projects and open questions
       └─ Follow-up tasks auto-added to Work tab

Ideas y escritura

Idea surfaces
  └─ Ctrl+K → capture instantly (i: idea · n: note · t: task · q: question)
       └─ Metis cross-pollinates immediately
            └─ Related papers + past ideas surfaced automatically
                 └─ Writing Partner → draft · Librarian → sources · Methods Coach → check argument

Enseñanza y cursos

Course topic defined
  └─ Course Builder
       ├─ Generates lessons, slides, assessments, question banks
       ├─ Flags new papers relevant to your course automatically
       ├─ Gap analysis against current literature
       └─ Spaced repetition for your own knowledge maintenance

El Panel

El panel de 9 pestañas se ejecuta localmente en http://127.0.0.1:8080. Sin cuenta, sin nube, sin suscripción.

La pestaña Hoy — informe matutino, proyecto activo, progreso, radar de noticias y estadísticas rápidas. Todo personalizado para tu dominio de investigación.

Cómo te conoce Metis

Cuando instalas Metis por primera vez, un asistente de configuración te guía a través de tu perfil:

dominio de investigación · intereses específicos · proyectos activos · estilo de trabajo · herramientas que usas · nivel de sensibilidad de datos

Esto crea tu tarjeta de identidad — un perfil vivo que cada agente lee antes de responderte. Crece con el tiempo. Cada sesión añade contexto. Cada idea que capturas le dice a Metis en qué estás pensando.

Una pregunta formulada después de seis meses de uso obtiene una respuesta significativamente mejor que la misma pregunta el primer día — no porque la IA haya cambiado, sino porque Metis te conoce mejor.

Protección de Datos

Los investigadores manejan datos sensibles. La mayoría de las herramientas de IA no se toman eso en serio.

Datos de pacientes, resultados bajo embargo, hallazgos no publicados — nunca deberían salir de tu máquina. Metis fue diseñado con esto en mente desde el principio.

Qué sale de tu máquina (y cuándo):

Todo lo demás — tus documentos, grabaciones de voz, texto de PDFs, notas de reuniones, datos relacionados con pacientes — permanece en el disco.

Capas de seguridad:

El patrón recomendado para datos sensibles: envía código, no datos.

La protección más fuerte no es un escáner: es no poner nunca los datos brutos en un prompt. Metis está construido para esto. Pídele un script de análisis (R o Python); tú lo ejecutas en tu propia máquina con tus datos reales; y solo los resultados derivados — nombres de variables, recuentos de valores, tablas resumen, coeficientes de modelos, un diccionario de datos — vuelven a Metis. Claude razona sobre la forma de tus datos, nunca sobre los registros.

Your real dataset (patient rows)         ── stays on your machine, never sent ──┐
        │ you run Metis's R/Python script locally                               │
        ▼                                                                       │
Derived metadata (column names, unique values, Table 1, model summary) ── safe to share ──► Metis
        │                                                                       │
        ▼                                                                       │
Metis builds the dashboard / writes the methods / interprets the model ◄────────┘

Así es exactamente como se construyeron los paneles y análisis de nuestro propio trabajo: los datos brutos de vigilancia nunca salieron de la máquina, y sin embargo Metis pudo perfilarlos, nombrar cada variable, listar valores únicos y generar un panel completo.

Solo ejecuta /safe-analysis (Claude Code o Claude Desktop) y Metis te guía de principio a fin: propone el script local, te dice exactamente qué metadatos pegar de vuelta y nunca pide filas brutas. Dos salvaguardas actúan por debajo: el pre-tool hook inspecciona la cabecera de un archivo de datos localmente y pregunta antes de que cualquier dato a nivel individual se lea en la conversación, y el Data Guardian (escaneo de PII + clasificación de 4 niveles en la entrada del pipeline) detecta contenido sensible que se cuela en un prompt de todos modos. Con el patrón anterior, normalmente ninguna tiene que activarse.

Cómo se mantiene Metis al día — para que tú no tengas que hacerlo

La IA avanza rápido. Cada mes aparecen nuevos modelos, nuevas capacidades, nuevas herramientas de investigación. La mayoría de los investigadores no tienen tiempo para seguirlo. Metis está diseñado para encargarse de esto por ti.

Después de cada ejecución de agente, Metis registra una reflexión: qué salió bien, qué falló, qué contexto faltaba. Cada semana las agrega en temas. Cada semana redacta mejoras de comportamiento con una justificación clara. Revisas las propuestas en la pestaña de Metis — un clic para aprobar, rechazar o editar — y los cambios aprobados se escriben en disco.

Esto significa que Metis mejora trabajando específicamente contigo, semana tras semana. También significa que, a medida que los nuevos avances de IA estén disponibles y se integren en Metis, recibes las mejoras sin tener que hacer nada. Tu trabajo es tu investigación. El trabajo de Metis es mantenerse afilado.

El bucle de auto-mejora en detalle:

1. Después de cada ejecución de agente — reflexión registrada: qué salió bien, qué podría mejorar, qué faltaba

2. Semanalmente — temas extraídos de todas las sesiones; patrones identificados

3. Propuesta redactada — un cambio concreto propuesto al comportamiento del agente, con razonamiento

4. Tú revisas en la pestaña de Metis — apruebas, rechazas o editas antes de que se aplique nada

5. Aplicado con copia de seguridad — la actualización se escribe con un punto de reversión con marca de tiempo

Ningún cambio en el comportamiento de Metis ocurre sin tu aprobación explícita. El sistema propone; tú decides.

Para desarrolladores

Esta sección asume familiaridad con Python, Git y la línea de comandos.

Arquitectura

flowchart LR
    U([Researcher])
    subgraph Harness["AI Harness (Claude Code / Desktop)"]
        METIS[Metis\nrouter agent]
        AGENTS[Specialist agents\n30+ agents]
        WATCHERS{{Watchers\nData Guardian · Cybersecurity}}
    end
    subgraph Platform
        MCP[MCP Server\n210+ tools\nFastMCP]
        DASH[Dashboard\nFastAPI + HTMX]
        DB[(SQLite\nWAL mode)]
    end
    subgraph Memory
        EPIS[Episodic]
        SEM[Semantic\nvector search]
        REFLEX[Reflexion log]
    end
    Skills[/CLI Skills\n/metis · /librarian · …/]

    U -->|asks| METIS
    U -->|clicks| DASH
    METIS -->|routes to| AGENTS
    AGENTS -->|uses| MCP
    MCP --- DB
    DASH --- DB
    WATCHERS -.guards.-> AGENTS
    AGENTS -->|writes| REFLEX
    REFLEX -->|proposes edits to| AGENTS
    MCP --- Memory
    Skills --> METIS

    style WATCHERS fill:#fff4e6,stroke:#9a7b3c
    style REFLEX fill:#eef4f1,stroke:#2d4a3a,stroke-dasharray:3 3

Stack

Memoria — 5 capas

Capa de conocimiento y respuestas fundamentadas (RAG)

Cuando haces una pregunta que requiere mucho conocimiento, Metis recupera pasajes relevantes de tu biblioteca de documentos indexada antes de que el agente especialista responda. El agente fundamenta su respuesta en lo que puede leer de tu biblioteca, no solo en lo que fue entrenado para recordar.

You ask Methods Coach:
"Which variance estimator should I use for my Poisson MLM with overdispersion?"

Metis retrieves before routing:
  → Leyland (2020) Multilevel Modelling for Public Health, p.142 — score 0.87
  → Bates lme4 vignette, p.28 — score 0.71

Methods Coach answers grounded in those passages, citing both sources.

Construye la capa de conocimiento de tu campo. En la primera configuración, el cuestionario de antecedentes de investigación del asistente informa al Background Maker, que recopila, limpia e indexa la literatura de tu disciplina en el almacén RAG local — para que cada agente responda desde tu corpus, con citas. Amplíalo en cualquier momento con /background build <topic>.

Capas de conocimiento precargadas (esta edición):

Capas de seguridad (detalle)

1. pre-tool-use.mjs — 13 patrones de inyección, lista blanca de dominios, restricciones de rutas (cada llamada de herramienta)

2. guardrails.py — sonda de inyección en todo el contenido externo (artículos, web, transcripciones)

3. safety.py — 11 comprobaciones de PII, clasificación de 4 niveles, datos sensibles rechazados en la entrada del pipeline

4. constitution.md — 14 reglas legibles por máquina para ejecuciones profundas y encadenadas de agentes

5. red-lines.md — 5 reglas no anulables aplicadas a nivel de código

Eficiencia de tokens

• Enrutamiento de modelos — Haiku para triaje/resúmenes, Sonnet para la mayoría del trabajo, Opus solo para razonamiento profundo; la mayoría del uso diario nunca toca Opus

• Ensamblaje quirúrgico de contexto — cada agente recibe solo el contexto relevante para su tarea, no el historial completo

• Límite de turnos máximos — se detiene en 20 turnos, sugiere /clear

• Traspaso de sesión — captura de estado de menos de 3 KB al final de la sesión; sin volver a pagar por el contexto ya establecido

• Widget de pulso de tokens — uso en tiempo real visible en el panel

Soporte entre IAs

Opciones de instalación

Opción 1 — Comando único (Linux, macOS, WSL)

bash <(curl -fsSL https://raw.githubusercontent.com/SVerITG/Metis_PH/main/system/mcp-server/setup-mcp.sh)

Detecta Ubuntu 20/22/24, Debian, macOS Homebrew. Crea el venv, instala todas las dependencias, se registra con Claude Code y Claude Desktop. Idempotente — seguro de volver a ejecutar.

# Profile overrides (skip the interactive menu):
METIS_PROFILE=light    bash <(curl -fsSL ...)   # MCP server only (~5 min)
METIS_PROFILE=standard bash <(curl -fsSL ...)   # MCP + dashboard (~15 min)
METIS_PROFILE=full     bash <(curl -fsSL ...)   # Standard + scheduler (~25 min)

Opción 2 — Clonar e instalar (cualquier plataforma)

git clone https://github.com/SVerITG/Metis_PH.git
cd Metis_PH/system/mcp-server
bash setup-mcp.sh

Opción 3 — Manual

git clone https://github.com/SVerITG/Metis_PH.git
cd Metis_PH/system/mcp-server
python3 -m venv .venv && source .venv/bin/activate
pip install -e "."

export METIS_RC_ROOT="$(pwd)/../.."
export ANTHROPIC_API_KEY="sk-ant-..."

python -m metis_mcp.server          # MCP server
cd ../app-py && bash run.sh         # Dashboard → http://127.0.0.1:8080

Opción 4 — Docker (matriz de pruebas de plataforma)

# Full platform test — Ubuntu 24/22 + Debian in parallel
docker compose -f system/install/docker/docker-compose.test.yml up --build

# Production stack
docker compose -f system/install/docker/docker-compose.yml up -d

Registro con Claude Code

~/.claude/settings.json:

{
  "mcpServers": {
    "metis-rc": {
      "command": "/home/<username>/.local/share/metis-mcp/run.sh"
    }
  }
}

Registro con Claude Desktop (Windows + WSL)

%APPDATA%\Claude\claude_desktop_config.json:

{
  "mcpServers": {
    "metis-rc": {
      "command": "wsl.exe",
      "args": ["-e", "bash", "/home/<username>/.local/share/metis-mcp/run.sh"]
    }
  }
}

Configuración

Dependencias

Ediciones y hoja de ruta

Metis se distribuye en ediciones diferenciadas: un núcleo base independiente del dominio y paquetes de dominio que añaden contenido específico de cada campo.

Qué incluye cada edición de dominio: revistas preconfiguradas + fuentes RSS · agentes especializados · ontología de dominio · biblioteca de conocimiento de fondo curada

¿Quieres crear un paquete de dominio? Haz un fork de Metis, añade la biblioteca de conocimiento, los agentes y las fuentes RSS de tu campo, y abre un PR.

Paquetes de curso (próximamente)

Paquetes de curso independientes que puedes incorporar a cualquier instalación de Metis:

Abre un issue con la etiqueta course-package para pilotarlo o contribuir.

Estado de desarrollo

Contribuciones

Metis está diseñado para crecer más allá de un solo dominio y de un solo investigador. Las contribuciones son bienvenidas — especialmente de investigadores que lo usan y saben qué falta.

Consulta CONTRIBUTING.md para obtener pautas detalladas.

Más solicitado

Paquetes de dominio — la contribución de mayor impacto. Un paquete de dominio añade: revistas clave + fuentes RSS · agentes especializados · una ontología de dominio · una biblioteca de fondo curada

Otras contribuciones de alto impacto:

• Traducciones — los archivos del asistente y de habilidades están solo en inglés; las traducciones al francés, neerlandés, español y alemán abrirían Metis a muchos más investigadores

• Pruebas del instalador — .exe de Windows y PowerShell en máquinas gestionadas, entornos corporativos y hardware variado; los informes sobre qué funciona y qué falla son valiosos

• Nuevos agentes y habilidades — agentes especializados para casos de uso aún no cubiertos

• Verificación de seguridad — revisión independiente de las garantías de que los datos permanecen locales (qué se guarda en la máquina frente a lo que se envía a la API de Claude), detección de PII, comportamiento de los hooks y aplicación de la constitución; si encuentras una brecha, abre un issue privado

• Soporte multi-IA — mejor soporte para Gemini y modelos locales (Ollama), especialmente para entornos de investigación sin conexión

• Informes de errores y comentarios de UX — si algo no funciona para tu flujo de trabajo, dilo

Registro de cambios

Metis está en desarrollo activo — consulta lo más reciente a continuación. (Reciente: un cerebro de enrutamiento que aprende quién debe responder, una capa de personalización que recuerda cómo te gusta trabajar y una pasada de seguridad).

Finales de junio de 2026

Posterior a v1.0 — junio de 2026

Post-v1.0 — mayo de 2026

v1.0 — mayo de 2026

Primera versión estable. Consulta system/config/release-notes-v1.0.md para más detalles.

Desarrollo anterior (Fases 0–9b)

Licencia

AGPL-3.0 para el código base: úsalo, modifícalo y haz fork libremente, pero cualquier versión que ejecutes como servicio o distribuyas también debe ser de código abierto bajo AGPL-3.0.

CC-BY-SA 4.0 para el contenido de los cursos y los materiales de aprendizaje.