Blog Técnico
Diario de desarrollo, avances, pruebas y aprendizaje del laboratorio.
2026-07-06
Astro público y privado: actualización de superficies visibles
AI-LAB completa la actualización de todas las superficies visibles del portal Astro: home, arquitectura, blog y roadmap ahora reflejan el estado real del ecosistema.
2026-07-03
Marketplace Digital Twin: observabilidad estructural de un ecosistema real
El Rioja Marketplace se replica como Digital Twin observacional en AI-LAB: indexado en GitNexus, accesible vía MCP read-only y documentado para análisis estructural.
2026-07-01
AnythingLLM Enterprise: Knowledge Base con RAG validado
AnythingLLM se despliega como Knowledge Base enterprise con 1304 vectores en 7 workspaces, embedder multilingual e5-small y validación RAG E2E al 100%.
2026-06-28
Hermes Enterprise Core: governance declarativo para AI-LAB
Hermes Enterprise Core completa 6 componentes con 185 tests PASS: SOUL, Capability Registry, Operator Registry, Hook Registry, MCP Registry y Dynamic Governance. Una capa de governance declarativo que no modifica el runtime pero lo hace verificable.
2026-06-11
AnythingLLM como memoria documental de AI-LAB
AnythingLLM se integra en la documentación oficial de AI-LAB como memoria documental, auditor RAG y consumidor de documentación canónica.
2026-05-29
AI-LAB operaciones - limpieza de servicios, saneamiento de secretos y hardening del Live API
AI-LAB completa una ronda operativa mayor - eliminacion de servicios systemd, saneamiento de secretos, formalizacion del Live API y storage auxiliar.
2026-05-28
AI-LAB evoluciona: MCP Semantic Gateway, OpenCode y gobierno operacional del runtime
AI-LAB pasa de runtime local a plataforma gobernada para agentes: MCP Semantic Gateway, integración OpenCode Windows vía SSH tunnel, gobierno de memoria Qdrant, GitNexus como policy gate y capa de salud cognitiva.
2026-05-23
Dando a AI-LAB Memoria Estructural de la Codebase con GitNexus
Cómo AI-LAB integra GitNexus como memoria estructural del código fuente — dependency graphs, blast radius analysis, ownership cognition y deterministic structural risk scoring.
2026-05-23
Cómo AI-LAB Correlaciona Incidentes del Runtime con el Código Fuente
AI-LAB puentea incidentes del runtime con la estructura del código fuente — mapeando fallos operacionales a módulos, blast radius y dominios de ownership.
2026-05-23
AI-LAB ya no es un homelab clásico
De 'LLM en una GPU' a runtime gobernado por evidencia: authority, precision, truth layers, fastpath y disciplina de estabilidad.
2026-05-23
GitNexus como observabilidad estructural
Por qué GitNexus no es solo visualización: es verdad estructural grounded para detectar coupling, singularities, blast radius y drift arquitectónico.
2026-05-23
Operational Truth vs Discoverable Models
El error más común en runtimes locales: tratar discovery como operational. Cómo AI-LAB separa active/loaded/discoverable/disabled y evita ctx:0 como operational.
2026-05-23
Por qué retrasamos Multi-GPU
Multi-GPU no falla por hardware; falla por semántica: sin authority/precision/governance estables, el scheduler amplifica el drift.
2026-05-23
Authority + Precision + Governance: el triángulo operativo
Authority decide qué es verdad ahora; precision decide cuánta evidencia hay; governance decide qué está permitido afirmar.
2026-05-23
GitNexus UI: Fix para 'Waiting for server to start' desde un PC remoto
Root cause y fix: la UI usa por defecto localStorage['gitnexus-backend-url'] = http://localhost:4747; desde un PC remoto, localhost no es el servidor.
2026-05-21
Evidence-Bound Reporting: cómo AI-LAB evita inventar su propio estado
AI-LAB implementó un evidence guard que impide que los reportes del LLM contengan afirmaciones no verificadas sobre GPUs, modelos, hosts o plataformas externas.
2026-05-21
AI-LAB: por qué consolidamos la madurez del runtime antes de Multi-GPU
Antes de Multi-GPU, AI-LAB necesitaba madurez semántica: model state awareness, degraded mode, governance visibility, route semantics y evidence enforcement.
2026-05-21
AI-LAB Runtime Observability Breakthrough: cuando el LLM dejó de inventar su infraestructura
FASE 30I convierte Prometheus en el sistema nervioso del runtime: 13 dominios observados, GPU metrics en vivo y un LLM que responde con datos reales, no con training data.
2026-05-21
AI-LAB Runtime Sensor Fusion: de métricas a contexto operacional
FASE 30I transformó métricas aisladas en contexto operacional usable por el runtime: sensor fusion, topología, confidence per-domain y summaries GPU compactos.
2026-05-21
Evidence-Bound Observability: cómo evitar que un LLM invente infraestructura
La observabilidad evidence-bound de AI-LAB une 30H y 30I: no basta con medir; hay que convertir la medición en evidencia usable por el runtime y resistente a alucinaciones.
2026-05-21
De Monitoring a Runtime Cognition: el salto de AI-LAB antes de Multi-GPU
El paso clave antes de Multi-GPU no fue añadir más hardware. Fue convertir monitoring, evidence y storage hygiene en una base cognitiva operacional mantenible.
2026-05-21
Cómo construimos un runtime contextualmente consciente de su propia infraestructura
Integramos Prometheus directamente en el contexto del LLM: 13 dominios observados, GPU metrics en vivo, confidence per-domain y un evidence guard que impide alucinaciones.
2026-05-21
Sensor Fusion con Qwen: cuando el LLM ve su propia infraestructura
Qwen2.5-coder-14b ahora recibe OBSERVED_RUNTIME con GPUs, temperatura, carga y topología real. Dejó de alucinar A100s y GPT-4.
2026-05-20
AI-LAB: La Evolución Arquitectónica de un Runtime de IA Local
Recorrido por la evolución arquitectónica de AI-LAB: del gateway monolítico al runtime gobernado con streaming real, agentic pipeline y hardening operacional.
2026-05-20
Informe Operacional Exhaustivo — AI-LAB
Reporte NOC completo del estado actual de AI-LAB en control-plane host: routing cognitivo, modelos, GPU, SLO, planner agentic, servicios, observabilidad, riesgos y roadmap.
2026-05-15
Building a Realtime AI Operations Platform with Astro, Grafana and SSE
Centro de operaciones en tiempo real con Astro, SSE, Prometheus y Grafana.
2026-05-15
Implementing a Real-Time Runtime Analytics Engine for Local AI Infrastructure
Motor de analiticas en tiempo real con health score, metricas de gateway y visualizacion.
2026-05-10
Nacimiento del AI-LAB
Primeros pasos del laboratorio de inferencia distribuida y documentación viva.
2026-05-10
La filosofía detrás de AI-LAB
Por qué construir infraestructura IA local y documentarla como una plataforma real.
2026-05-10
Construyendo un runtime IA distribuido
Cómo AI-LAB terminó usando GPUs remotas, routing OpenAI-compatible y observabilidad.