Bitácora

Esta guía explica cómo automatizar un blog en Markdown en una canalización de publicación multilingüe usando GitHub Copilot Agents, donde un orquestador coordina subagentes por idioma, actualiza resúmenes de README, aplica hooks y skills como barreras de control, y produce resultados reproducibles y escalables.

Mientras construía SDLC Memory, me encontré con un dilema arquitectónico inesperado. ¿Debería el sistema razonar como un agente autónomo, comportarse como un transformador de datos determinista, o situarse en algún punto intermedio? Aún estoy decidiendo qué dirección es la correcta para el MVP.

En “Part 1 - From RAG to Provenance: How We Realized Vector Alone Is Not Memory”, pasamos de RAG a Provenance, de la similitud al linaje. Pero si los agentes de IA generarán entre el 50 y el 80 % del trabajo futuro, la verdadera pregunta pasa a ser: ¿cómo se actualiza la memoria de forma segura? ¿Cómo se validan, enlazan y gobiernan las nuevas decisiones en lugar de simplemente incrustarlas? Este artículo muestra paso a paso el proceso incremental de actualización del grafo de memoria de decisiones con un ejemplo real. Porque en la era de la IA, la memoria debe evolucionar, no solo recuperar.

¿Y si tu SDLC en realidad no recuerda nada y solo recupera fragmentos? Hemos construido potentes sistemas RAG capaces de mostrar texto “relevante” en milisegundos. Pero la relevancia no es causalidad. Cuando algo falla en producción, la similitud no te dirá por qué ocurrió ni qué decisión, riesgo o dependencia condujo a ese resultado. En este artículo explico por qué la búsqueda vectorial por sí sola no es memoria, cómo la estructura de grafos cambia el juego y cómo combinar vectores con un modelo estricto de provenance transforma documentación dispersa en algo más cercano a la cognición organizacional. Si te importan la explicabilidad, el linaje de decisiones y la inteligencia real de entrega, este artículo es para ti.