Base Layer

base-layer.ai · Ejemplos · Investigación · Conjunto de datos

Un pipeline de código abierto que escribe una especificación interpretable de cómo razona una persona a partir de su propio texto.

Qué hace

Extrae patrones en cómo alguien pondera y utiliza la información: qué cuenta como evidencia, qué trata como establecido y dónde rechaza concesiones. El resultado es un documento que una IA lee antes de responder. Puedes editarlo como texto. Puedes rastrear muchas afirmaciones hasta los hechos citados y luego hasta las conversaciones de las que provienen esos hechos.

Un modelo ajustado no puede inspeccionarse ni corregirse. Una especificación escrita sí puede.

Related MCP server: personal-context

Cómo funciona

Pipeline unificado:

IMPORT     Your text into a local database
EXTRACT    Pull candidate facts about preferences, rules, habits
DISTILL    Sort facts into recurring themes, one-offs, and not load-bearing
ASSEMBLE   Package each layer so writing can respect those groups
AUTHOR     Write the layers as readable text with citations where required
COMPOSE    Merge layers into one brief

EMBED      Side branch. Build a vector index for search and verification. The writer does not read it.

Capas:

• ANCHORS: Axiomas desde los que razona la persona.

• CORE: Patrones de comunicación y modos de contexto.

• PREDICTIONS: Disparadores de comportamiento con señales de detección y directivas.

La destilación produce cuatro canales que no compiten por espacio:

• Temas: lo que se repite, cada uno nombrando los ids de hechos en los que se basó.

• Singularidades: hechos únicos que cambiarían el modelo de la persona. Se conservan textualmente.

• Contradicciones: donde la evidencia se contradice a sí misma. Se conservan y nunca se resuelven.

• Disposiciones: cada hecho recibe un veredicto. Tema, singular o no relevante.

Las tres capas se redactan a ciegas entre sí. El acuerdo cuenta como corroboración. La contradicción se mantiene.

Inicio rápido

Requisitos: Python 3.10+ y una clave de API de Anthropic (https://console.anthropic.com/account/keys).

pip install git+https://github.com/agulaya24/BaseLayer.git
export ANTHROPIC_API_KEY=sk-ant-...
baselayer run chatgpt-export.zip

Paso a paso:

baselayer init
baselayer import chatgpt-export.zip       # or claude-export.json, ~/journals/, notes.md
baselayer estimate
baselayer extract && baselayer embed
baselayer author && baselayer compose

Ruta de destilación experimental:

baselayer distill --layer anchors
baselayer distill --layer core
baselayer distill --layer predictions
baselayer assemble
baselayer author-from-package --outdir spec_out/

Auditabilidad / qué puedes verificar

• Puedes rastrear una afirmación escrita hasta sus hechos citados. Luego puedes saltar de cada hecho a la conversación de la que se tomó. El segundo paso aterriza en la conversación, no en la frase exacta, porque el pasaje fuente no se almacena.

• Se ejecutan comprobaciones sobre el grafo de citas:

  • Proximidad vectorial: las palabras de la afirmación deberían estar cerca de las palabras de sus hechos citados.

  • Filtro de recurrencia: un tema no debería basarse en una única mención aislada.

  • Alcance entre dominios: el apoyo no debería provenir solo de un tipo de fuente o tema estrecho.

  • NLI opcional: un modelo de implicación local puede puntuar si los hechos citados respaldan la afirmación. Esto audita la calidad de los datos. No prueba causalidad.

No toda la procedencia es una cita. ANCHORS y PREDICTIONS a menudo sintetizan entre hechos. Cuando una afirmación no lleva citas en línea, el sistema vincula los hechos más cercanos mediante incrustaciones como procedencia vectorial. Ese vínculo muestra proximidad, no que el modelo haya afirmado el vínculo. trace_claim imprime el método de vínculo para cada fila.

Lee "auditable" como: lo que está citado puede comprobarse. No significa que todo esté citado.

Estado y límites

• Componentes experimentales: la destilación, el ensamblaje y el autor basado en paquetes son experimentales en este repositorio. La suite de pruebas de destilación son 10 pruebas de mutación sobre la auditoría de citas y no ejercita ninguno de los otros módulos. La mayoría de las mediciones detrás del diseño de destilación provienen de un único corpus de 407 hechos. Los arneses de estudio que se incluyen aquí pueden emitir salidas sin limpiar. Úsalos con cuidado e inspecciona las salidas.

• Dos rutas de autoría: la ruta de autoría heredada aún se incluye. No garantiza citas en línea, por lo que la verificación que depende de analizar citas puede no producir comprobaciones. El autor basado en paquetes requiere un campo de cita por esquema. Requerido no significa preciso. Una cita que se resuelve prueba que la referencia es real, no que el hecho causó la afirmación.

• Alcance de la procedencia: trace_claim aterriza en la conversación fuente, no en la frase exacta. El pasaje fuente no se almacena.

• Procedencia vectorial: cuando una afirmación no tiene citas en línea, el sistema puede adjuntar vínculos vectoriales. Trátalos como cercanos, no como usados.

• Fidelidad: una especificación que sirve de forma barata y puntúa bien en una batería reservada no establece que coincida estructuralmente con el razonamiento de una persona. Distinguible no es fiel. Solo el sujeto puede decir dónde está mal.

• Límites del corpus: el corpus es autoinformado. No entra observación de terceros. No hay eje temporal. Los cambios a lo largo del tiempo no se registran. El extractor solo ve texto. El tono, el lenguaje corporal y los hábitos físicos están ausentes.

• Alcance del efecto: ayuda más donde el modelo conoce menos a la persona. En una figura pública conocida a menudo añade poco.

• Notas operativas:

  • Reextraer de los mismos archivos sin limpiar el estado anterior puede dejar vectores obsoletos que causan sobre-deduplicación. Limpia tanto el almacén de hechos como el de vectores antes de una ejecución limpia.

  • El modo de documento afirma que el sujeto es el documento. Úsalo solo para documentos, no para personas.

  • No está en PyPI. Instala desde el código fuente.

  • Los costos y tiempos de ejecución varían según el precio de la API y el tamaño del corpus.

Cómo se ve

Un extracto de una especificación real redactada a partir de unas 1.900 conversaciones:

Opera desde una necesidad intransigente de coherencia lógica que se manifiesta como un desafío inmediato a cualquier inconsistencia, en sistemas, argumentos o sus propias posiciones. Cuando encuentra una brecha entre las creencias declaradas y el comportamiento real, la trata como un fracaso personal que exige responsabilidad en lugar de comprensión, asumiendo una propiedad extrema de cada resultado mientras mantiene vínculos causales claros entre acciones y resultados. Esto no es postura filosófica sino práctica vivida: en el trading, espera múltiples señales de confirmación antes de entrar, implementa mecanismos de seguridad superpuestos mediante límites de pérdida fijos en dólares y stops loss sistemáticos, pero lucha con la brecha entre conocer estas reglas y ejecutarlas de manera consistente durante las sesiones de madrugada, cuando su energía es máxima pero su disciplina es más vulnerable.

No hay cuestionarios ni formularios. Más ejemplos en el enlace de arriba.

Úsalo

Regístralo como servidor MCP:

claude mcp add --transport stdio base-layer -- baselayer-mcp

Carga el brief y las capas como contexto siempre activo y expone herramientas:

• get_brief(reason)

• recall_memories(query)

• search_facts(query, limit)

• trace_claim(claim_id)

• verify_claims(claim_id, layer)

• get_stats, get_call_log, get_help

Se ejecuta sobre stdio localmente. Los rastros se escriben en ~/.baselayer/sessions//log.jsonl.

También puedes pegar las capas y el brief en cualquier prompt de sistema. Perderás la recuperación.

Edítalo

Las capas son archivos markdown en disco. Ábrelos. Elimina lo que esté mal. Reescribe lo que esté cerca. Añade lo que tu escritura nunca dijo. El servidor MCP los lee desde el disco en cada ejecución.

Los hechos no llevan su propio significado. Editar es donde entra el juicio. El artefacto es texto, así que puedes aplicarlo.

Qué probamos

Evaluamos en 14 sujetos históricos con autobiografías de dominio público. Un panel primario de cinco jueces y un panel de sensibilidad de siete jueces puntuaron las respuestas bajo un plan pre-registrado. Los resultados completos están en el sitio y en el artículo Beyond Recall (https://arxiv.org/abs/2605.28969).

• La dirección se reproduce entre modelos de respuesta y modelos de generación de baterías. Las magnitudes absolutas dependen del panel.

• Dada una respuesta, un juez puede decir qué especificación la produjo el 51,6% de las veces a partir del razonamiento, y el 13,4% solo a partir de la decisión. El azar es del 11,1%. El razonamiento lleva la señal.

• Las ganancias son mayores donde el modelo conoce menos a la persona.

Las especificaciones cambian cómo se argumentan las decisiones en cada situación probada. Cambian la decisión en sí en algunas.

Qué no es

• No es un sistema de memoria. Proporciona el lente a través del cual se leen los hechos recuperados.

• No es un competidor de benchmarks de recuerdo.

• No es una IA que te conoce en el sentido habitual. Modela cómo razona alguien, no hechos sobre ellos.

• No es útil en sujetos que el modelo ya conoce bien.

• No es la palabra final. Esta es una implementación de una capa interpretativa.

• Es una guía de interacción para una IA. La audiencia es el modelo, no la persona.

Privacidad

La base de datos, los vectores, los hechos y la especificación viven en tu máquina. No hay sincronización en la nube, ni cuentas, ni telemetría. La extracción y la autoría pueden llamar a una API de modelo si configuras una. Se aplican las políticas de retención del proveedor. La política de Anthropic está aquí: https://www.anthropic.com/policies/privacy.

El artefacto es local-first, agnóstico al modelo y portátil.

Referencia

• Conjunto de datos: https://huggingface.co/datasets/agulaya24/beyond-recall

• Especificaciones en vivo (sin autenticación): GET https://base-layer.ai/api/identity/{franklin,buffett,douglass}

• Para agentes: https://base-layer.ai/llms.txt, https://base-layer.ai/.well-known/agent-card.json, https://base-layer.ai/api/openapi.json

Documentación:

• ARCHITECTURE.md: diseño del pipeline

• PROJECT_OVERVIEW.md: componentes y composición

• DECISIONS.md: decisiones de diseño

• DESIGN_PRINCIPLES.md: principios

• ROADMAP.md

• docs/eval: marcos de evaluación y resultados

Pre-1.0, 490 pruebas.

Reproducibilidad

La versión del artículo está etiquetada como v0.2.0 y está incluida en memory-study-repo (https://github.com/agulaya24/memory-study-repo).

pip install git+https://github.com/agulaya24/BaseLayer.git@v0.2.0

Contribuciones

Se agradecen contribuciones sobre evaluación, adaptadores de tipos de fuente, implementaciones alternativas de capas interpretativas y soporte de modelos locales. Consulta CONTRIBUTING.md.

Cita

@software{baselayer2026,
  title     = {Base Layer: An Open-Source Reference Pipeline for the Interpretive Layer Above Memory},
  author    = {Gulaya, Aarik},
  year      = {2026},
  url       = {https://github.com/agulaya24/BaseLayer},
  license   = {Apache-2.0}
}

Licencia

Apache 2.0. Consulta LICENSE. El artículo Beyond Recall es CC-BY 4.0.