Neuraxis y reflexmesh, un Controlador de Software Dirigido por Eventos con Metacontrol Aprendido
Un controlador rápido y tipado para software, archivos, herramientas y agentes, capaz de reclutar razonamiento más lento de modelos de lenguaje solo donde el resultado lo justifica. El núcleo reutilizable, reflexmesh, es un paquete público Rust/PyO3 y Python en PyPI: admisión tipada dirigida por eventos, acciones rápidas registradas con efectos verificados, control aprendido. Neuraxis es la aplicación privada encima: tres tareas nativas sobre archivos con hallazgos reales (verificar un release de software, conciliar registros CSV, auditar fuentes), ejecuciones emparejadas del controlador que exponen su evidencia, y las páginas científicas con pestañas compartidas y bibliografía. La afirmación de investigación es la asignación de deliberación fundamentada en resultados en un controlador asíncrono recurrente y versionado por recursos. La evaluación corregida, 19.488 episodios, no establece superioridad aprendida: las compuertas de asignación ajustadas eligen nunca diferir, y cuatro compuertas fijas igualan a la aprendida. Una vía más difícil de transferencia semántica, de 1.536 episodios y construida para que un controlador fijo no lo resuelva todo, tampoco la establece: el método que siempre delega al planificador verificó 38 de 128 episodios y el controlador aprendido 18. No se afirma AGI ni equivalencia biológica.
Contexto de Negocio
Un controlador que actúa sobre archivos y sistemas tiene que responder por cada efecto: acciones rápidas registradas, salidas verificadas, originales intactos, y una ruta lenta de razonamiento que es un recluta medido y no la opción por defecto. Eso es lo que lo hace usable para verificación de releases, conciliación de registros y auditorías de fuentes donde un modelo de lenguaje solo sería demasiado lento, demasiado caro o imposible de confiar con la escritura. El resultado honesto es parte del producto: en la matriz corregida el controlador aprendido M12 alcanzó 1.160 de 1.200 éxitos centrales contra 1.200 de 1.200 de la línea base exacta, ambas compuertas de asignación ajustadas eligieron nunca diferir, y cuatro ablaciones de compuerta fija igualaron a M12. En la vía más difícil de transferencia semántica ningún método es perfecto: el método que siempre delega al planificador verificó 38 de 128 episodios y M12 18, ganando 2 casos pareados, perdiendo 22 y empatando 104, más rápido porque llama menos al planificador. Una compuerta de enrutamiento ajustada fuera de línea sobre cuatro familias y evaluada en dos retenidas delegó cero veces en los 32 episodios retenidos y no verificó ninguno, donde siempre delegar verificó 10. La superioridad aprendida no está establecida, y el sitio, el plan y esta tarjeta lo dicen.
Valor Estratégico
El patrón de la línea está completo aquí: primero dosieres de investigación (libros de fuentes que distinguen una fuente leída de un experimento reproducido), un plan definido de dos repositorios, el núcleo reutilizable publicado desde su propio repositorio, y una aplicación reconstruida después de que su dueño rechazó la versión centrada en simulación y su estructura de páginas inventada. La CI alojada privada estuvo bloqueada un tiempo por la facturación de la cuenta, y el registro guardó esa falla en lugar de ocultarla; la CI del producto y del motor vuelve a pasar, y la aplicación está desplegada en 0.02.006 en el VPS de ML sobre HTTPS con operaciones nativas acotadas. No se afirma AGI, equivalencia biológica ni superioridad aprendida; la novedad requeriría que las ablaciones declaradas y los experimentos retenidos resultaran distintos de como resultaron.
El Desafío
Los marcos de agentes enrutan todo a través de un modelo de lenguaje, lento, caro e irresponsable de sus efectos sobre archivos y sistemas, o codifican rutas rápidas a mano y pierden la capacidad de pensar cuando la situación es nueva. El enrutamiento rápido y lento por sí solo es arte previo. La pregunta abierta es si un controlador puede aprender, a partir de resultados, cuándo la deliberación vale su costo: un controlador asíncrono recurrente y versionado por recursos cuyas acciones rápidas son tipadas y verificadas, y cuya ruta lenta se recluta solo donde el resultado esperado lo justifica. Esa afirmación necesita ablaciones declaradas y experimentos con datos retenidos antes de que alguien pueda llamarla superior, y la primera versión de la aplicación, centrada en simulación y con una estructura de páginas inventada, fue rechazada por su dueño.
Nuestro Enfoque
Dos repositorios con un límite de paquete. reflexmesh, público y en PyPI (0.1.1, nueve wheels más una distribución de fuente), es dueño de la capa de admisión Rust/PyO3, el modelo de eventos tipado, el control aprendido y la integración Python. Neuraxis, la aplicación privada, es dueña de la orquestación, los artefactos canónicos, la API y el banco de trabajo CAOS bilingüe, sin paquete interno instalable. La reconstrucción 0.02.000 hizo que la App trabajara de verdad sobre archivos entregados: verificar un release de software (mapear archivos de entrada, validar fuente y configuración, revisar registros y relaciones, verificar hashes declarados, construir un manifiesto de contenido, resolver dependencias de tareas, separar filas aceptadas y rechazadas, nueve pasos verificados en un mapa de ejecución con un inspector de acciones), conciliar registros CSV y auditar fuentes nativas, con salidas verificadas de forma independiente exportadas y los archivos originales sin cambios. Las ejecuciones emparejadas del controlador comparan corridas y exponen su evidencia; las cinco rutas científicas llevan pestañas compartidas, citas por párrafo y una bibliografía completa. La evaluación es una matriz congelada de 19.488 episodios (14.400 centrales, 288 de transferencia estructural, 4.800 de ablación) más 36 corridas de tareas compuestas, y un servicio público acotado consume el runtime publicado. Como un controlador fijo resuelve todas las tareas centrales, el núcleo no puede mostrar cuándo ayuda un razonador lento, así que 0.02.006 agrega una vía separada y auditada por hash de transferencia semántica: ocho familias composicionales, variantes nominales y de borde y ocho semillas retenidas, 1.536 episodios entre los doce métodos, cada uno escribiendo archivos reales que una verificación independiente comprueba.
Indicadores Clave de Rendimiento
| KPI | Línea Base | Resultado | Impacto |
|---|---|---|---|
| Acciones rápidas responsables | Cada paso a través de un modelo de lenguaje, efectos sin verificar | Acciones tipadas registradas con efectos verificados sobre archivos entregados; originales sin cambios; salidas verificadas de forma independiente y exportadas; nueve pasos verificados en la tarea de verificación de release | Un controlador al que se le puede confiar la escritura |
| La afirmación, medida y no establecida | Enrutamiento rápido y lento declarado superior por construcción | 19.488 episodios congelados: M12 1.160 de 1.200 éxitos centrales contra 1.200 de 1.200 de la línea base exacta; ambas compuertas ajustadas eligen nunca diferir; cuatro ablaciones de compuerta fija igualan a M12. Vía de transferencia semántica, 1.536 episodios: siempre delegar 38 de 128, M12 18 de 128; una compuerta de enrutamiento retenida delegó cero veces | La superioridad aprendida no se afirma, ni en la app ni en el plan |
| Un límite de paquete que se sostiene | El núcleo enterrado dentro de una app privada | reflexmesh público en PyPI (0.1.1, nueve wheels más sdist) desde su propio repositorio; la app no declara paquete instalable propio | La parte reutilizable la puede reutilizar cualquiera |
Propietario, código fuente no disponible públicamente
Arquitectura
neuraxis pipeline
Stack Tecnológico
Capturas de la Aplicación
