Conceptos FundamentalesÍndice

La categoría sustrato recoge los conceptos fundacionales de mecanismo de la plataforma. Cada sustrato nombra una propiedad estructural en la que la plataforma se apoya — no un servicio o sistema específico, sino un patrón que compone servicios, sistemas y contenido en un todo coherente.

La categoría responde a preguntas como: ¿qué hace que la plataforma mejore continuamente sin renunciar a la propiedad de los datos? ¿qué hace que las citaciones sean auditables por máquina? ¿qué hace que las divulgaciones cumplan estructuralmente? ¿qué hace que el trabajo del colaborador retroalimente el entrenamiento del modelo? Los artículos aquí describen los mecanismos; las categorías de arquitectura, servicios y sistemas describen cómo se realizan en componentes concretos.

Empiece aquí: lea primero Sustrato compuesto — es el patrón canónico que PointSav administra y el marco que hace legibles los demás sustratos. Después lea Sustrato de aprendizaje, Sustrato de citas y Sustrato de divulgación.

Por dónde empezar

Cuarenta y tres artículos definen los mecanismos reutilizables que el resto de la plataforma nombra sin volver a definir. Estos trece cubren todos los grupos de la categoría y son los que más citan los demás artículos: al leerlos, se resuelve el vocabulario de toda la base de conocimiento.

• Sustrato compuesto — Código abierto, una capa de datos determinista y libre de IA, y una capa de inteligencia opcional cuyo uso se acumula como señal de entrenamiento. El artículo más citado de esta base de conocimiento.
• Sustrato de aprendizaje — El trabajo se enruta primero a un modelo local, y los veredictos firmados de un revisor sénior se capturan como pares de preferencia para el preentrenamiento continuado.
• Sustrato de divulgación — Cómo un wiki Markdown bajo control de versiones se convierte en el registro primario de divulgación continua, con cadenas de autoría firmadas y hashes de contenido.
• Sustrato de citas — El registro de citas en YAML con detección de deriva que hace auditable por máquina la procedencia, del instrumento normativo a la afirmación publicada.
• Sustrato de protocolo de lenguaje — El campo de frontmatter, la tabla de enrutamiento y la convención de buzón que trasladan el registro declarado y el destino de un borrador entre archivos.
• Sustrato del micronúcleo seL4 — El núcleo verificado formalmente designado como sustrato compartido planificado, con la advertencia clara de que todavía no es el núcleo en ejecución de todos los miembros de la familia de SO.
• Sustrato del libro de capacidades — Cada decisión de control de acceso como un evento criptográficamente auditable, anclado a un registro que controla el cliente.
• Las pruebas de Merkle como primitiva del sustrato — El mecanismo que permite a cualquier tercero comprobar que un registro pertenece a un log de solo anexado que no ha sido reescrito.
• Doorman compuesto — Un único servicio que media cada llamada de cómputo externa, registrando cada evento y acumulando señal de entrenamiento a su paso.
• Disciplina de cómputo de límite único — Toda solicitud de inferencia se enruta a través del Doorman, con la elusión impedida de forma estructural y no por política.
• Escalera de cuatro niveles del sustrato SLM — Cuatro niveles de cliente, desde una puerta ligera hasta un especialista de dominio, cada uno añadiendo capacidad sin hacer retroceder al nivel inferior.
• Sustrato sin inferencia — el caso base — El archivo sigue plenamente operativo y libremente transferible sin ningún nivel de IA. Es el artículo sobre el que descansa la afirmación de opcionalidad de la IA.
• Código para máquinas primero — Cada contrato, registro de auditoría y configuración es legible por máquina como superficie primaria; las interfaces humanas son capas sobre eso.

Sustratos nombrados principales

Los nueve sustratos nombrados: cada uno designa una propiedad estructural de la que depende la plataforma.

• Sustrato compuesto — Patrón arquitectónico que une código de plataforma abierto, una capa de datos determinista sin IA y una capa de inteligencia opcional que genera señal de entrenamiento compuesta.
• Sustrato de aprendizaje — Mecanismo de plataforma que enruta el trabajo primero por un modelo de lenguaje pequeño local y captura veredictos sénior firmados como pares de preferencia de entrenamiento.
• Sustrato de citas — Registro YAML de citas de ámbito de plataforma con detección de deriva que hace la procedencia auditable por máquina, del instrumento regulatorio a la afirmación publicada.
• Sustrato de divulgación — Mecanismo que convierte una wiki Markdown con control de versiones en el registro principal de divulgación continua, con cadenas de autoría firmadas y hashes criptográficos.
• Sustrato de trayectoria — El mecanismo de plataforma que convierte trabajo operativo — commits, sesiones, retroalimentación de operador — en tuplas de capacitación JSONL estructuradas, enrutándolas en un corpus de preentrenamiento continuado que mejora el modelo base OLMo a lo largo del tiempo.
• Sustrato de protocolo de lenguaje — El mecanismo de enrutamiento que transporta el registro, tipo de documento y destino declarados de un borrador entre archivos — un campo de portada, una tabla de enrutamiento y una convención de buzón, no un sistema de adaptadores de IA.
• Substrato del sistema de diseño — El sustrato del sistema de diseño es un motor de sistema de diseño auto-alojado y propiedad del cliente que almacena tokens y componentes en el repositorio Git del cliente, los sirve a través de un extremo MCP legible por máquina, y utiliza el formato de token DTCG de W3C para permanecer agnóstico del editor.
• Sustrato de inteligencia de localización — Una arquitectura de SIG plano y abierto que permite a los clientes poseer conjuntos de datos geográficos de extremo a extremo usando datos abiertos con licencia Apache y una pila de renderización alineada con Rust de código abierto, con análisis de coubicación de venta minorista como la primera superficie implementada.
• Metodología de niveles de co-localización minorista — Clasificación por niveles basada en condiciones para clústeres de co-localización minorista — Regional, Distrital, Local o Marginal — asignada al superar pruebas fijas de composición, captación, respaldo cívico y solapamiento, no mediante una puntuación compuesta.
• Sustrato de cola de briefs — Una cola persistente respaldada en archivos que hace viable el apagado inactivo de Yo-Yo sin perder datos del corpus de aprendizaje — la capa de durabilidad del sustrato SLM de tres niveles.
• El SIG como sustrato del BIM — Qué ofrece el conjunto de datos de coubicación a una tubería de composición BIM: el manifiesto de agrupaciones y sus campos enlazables, la profundidad de resolución regional, las capas de contexto cívico y las garantías de estabilidad con las que puede contar un consumidor posterior.
• Especificación de Objeto BIM — La unidad de especificación reutilizable de elementos de construcción de la plataforma: un conjunto fijo de categorías primitivas ancladas a estándares abiertos (IFC, Uniclass, bSDD), cada una portando tres capas de información a la vez — qué es, qué exige su jurisdicción, y qué exige su clima.
• Protocolo de enrutamiento de borradores editoriales — Capa de clasificación de metadatos que enruta borradores editoriales según language_protocol — qué pasarela procesa cada artefacto y qué reglas de vocabulario aplican.

El Doorman compuesto y la frontera de IA

• Doorman compuesto — El patrón operativo en el corazón de sustratos de IA soberana: un único servicio que media cada llamada de cómputo externa, registra cada evento en un libro mayor de auditoría y acumula señal de capacitación que compone el sustrato a lo largo del tiempo.
• MCP como protocolo substrato — Cada servicio del Anillo 1 y Anillo 2 expone una interfaz de servidor MCP como su contrato externo primario, con el Portero actuando como la puerta de enlace MCP.
• Álgebra de composición de adaptadores — La metáfora del sistema operativo para la IA en PointSav — el Doorman como kernel, los adaptadores como procesos, service-content como sistema de archivos — y el álgebra que ensambla inteligencia por solicitud a partir de capas de adaptadores LoRA.
• Aprendizaje fundamentado en grafos de conocimiento — El Portero busca entidades coincidentes en el grafo de conocimiento por inquilino antes de despachar una solicitud, fundamentando la respuesta del modelo en hechos que el grafo ya contiene.
• Disciplina de cómputo de límite único — Todo el tráfico de inferencia de IA en un despliegue de la plataforma pasa exclusivamente por el Portero, con la omisión estructuralmente impedida a nivel de kernel.

Pila de Modelo de Lenguaje Pequeño

• Decisión de sustrato LLM — Familia OLMo 3 — La justificación para seleccionar OLMo 3 como sustrato de inferencia local y en GPU: la única familia de modelos completamente abierta — datos, código de entrenamiento y puntos de control incluidos — que permite el preentrenamiento continuo y satisface la postura de adquisición de una empresa pública canadiense.
• Escalera de cuatro niveles del sustrato SLM — Un camino gradual hacia la soberanía en IA: cuatro niveles de despliegue para el cliente, desde una pasarela de API sin modelo local hasta un servicio de IA especializado entrenado sobre el corpus agregado del proveedor, donde cada nivel añade capacidad sin romper la garantía del nivel inferior.
• Substrato de Cómputo Yo-Yo — El substrato de cómputo de tres anillos que permite a service-slm activar y desactivar cómputo GPU mientras retiene estado, acumula habilidad y produce un ledger de auditoría de cada evento de inferencia.
• Pipeline de Entrenamiento LoRA Nocturno en Yo-Yo #1 — La tubería nocturna de dos fases en Yo-Yo #1: Fase 1 ejecuta extracción de entidad para el DataGraph empresarial; Fase 2 entrena un adaptador LoRA contra corpus de ingeniería y aprendizaje usando QLoRA en una única GPU L4.
• TUI como productora de corpus — Cada interacción del operador con service-slm a través de la interfaz de terminal es una contribución curada al corpus de entrenamiento del adaptador por inquilino.
• Reconstrucción nocturna del grafo de datos — El proceso programado que reconstruye el grafo de conocimiento de la plataforma cada noche. Existe un punto de control de aprobación humana para las entidades extraídas por IA, pero es opcional — un operador debe habilitarlo; por defecto, las escrituras automatizadas llegan al grafo sin revisión por elemento.
• Grafo de conocimiento organizativo — memoria ontológica para operaciones empresariales — Grafo de conocimiento organizativo de personas, empresas, proyectos y relaciones — memoria semántica persistente para responder consultas de negocio sin releer documentos fuente.
• Pasarela de inferencia por niveles — enrutamiento de IA local-primero — Una pasarela de inferencia por niveles que enruta las solicitudes de IA primero al modelo local, escalando a nodos GPU remotos y APIs externas solo cuando el nivel local no puede responder — minimizando la latencia, el coste y la exposición de datos mientras se mantiene la capacidad completa bajo demanda.

Primitivas criptográficas y de micronúcleo

• Sustrato del micronúcleo seL4 — Micronúcleo seL4 formalmente verificado, sustrato L1 compartido y planificado de PointSav — aún no es el núcleo en ejecución de cada miembro de la familia de SO tal como se distribuye hoy.
• Las pruebas de Merkle como primitiva del sustrato — Las pruebas de Merkle son el mecanismo criptográfico que permite a la plataforma demostrar a cualquier tercero que un registro forma parte de un libro de solo adición que no ha sido reescrito.
• Sustrato del libro de capacidades — El Sustrato del Libro de Capacidades es el mecanismo por el cual cada decisión de control de acceso se convierte en un evento criptográficamente auditable, anclado en un registro controlado por el cliente.
• Doctrina del sustrato del sistema — La arquitectura de nivel de kernel bajo cada servicio de PointSav — un registro de capacidades con raíz en el cliente, una estrategia de SO soberana de dos bases, y mecanismos para capacidades de tiempo limitado, verificación reproducible y recuperación universal.
• Geometría de Capacidades: Autorización por Capacidades seL4 en Totebox Orchestration — Geometría de Capacidades es el término de PointSav para la autorización basada en seL4, que reemplaza la política de control de acceso mutable por un DAG de capacidades aplicado formalmente por el kernel.
• Orquestador de construcción moonshot-toolkit — Orquestador de construcción solo Rust para imágenes unikernel seL4 — de especificación TOML a manifiesto direccionado por contenido y elfloader AArch64, sin Python ni CMake.
• Objetivo de sustrato seL4 AArch64 en QEMU — Base de hardware de la plataforma unikernel — seL4 verificado formalmente sobre AArch64 con la máquina virt de QEMU para desarrollo, pruebas y CI.
• Sustrato Unikernel seL4 para os-console — os-console está previsto para ejecutarse como imagen unikernel seL4 Microkit en su forma de producción final, compilando el código de la aplicación directamente con un kernel formalmente verificado para eliminar la superficie de ataque de un SO de propósito general.

Soberanía y propiedad del cliente

• Bien común de IA soberana — El posicionamiento de PointSav como administrador de infraestructura de IA abierta y compartida para pequeñas y medianas empresas reguladas: cinco propiedades estructurales que los grandes proveedores de servicios en la nube no pueden ofrecer sin desmantelar sus propios modelos de facturación.
• Conocimiento común y comercio de servicios — El modelo económico que separa lo que PointSav publica libremente de lo que vende — artefactos de conocimiento bajo licencias abiertas, servicio de pago en el punto de agregación multi-Totebox.
• Propiedad intelectual del grafo del cliente — El grafo de conocimiento por inquilino y los pesos del adaptador entrenado son propiedad intelectual del cliente, portátiles y exportables sin aprobación del proveedor.
• Especialista soberano en el lado del cliente — Nivel 0 — El Nivel 0 Totebox es un despliegue especialista soberano que funciona en el propio hardware del cliente sin ninguna dependencia de nube requerida y sin conectividad a internet requerida.
• Substrato sin inferencia — El caso base — El Archivo Totebox permanece completamente operativo y transferible libremente incluso cuando no hay ningún nivel de inferencia de IA disponible; el substrato determinístico es la base estructural.
• Compatibilidad nativa del sustrato — por qué se descartó el adaptador de Action API — Establece compatibilidad estructural con convenciones de lector e integrador de MediaWiki mientras rechaza deliberadamente la mimicría de API, manteniendo interfaces nativas de sustrato que reducen carga de mantenimiento y evitan obligaciones de divulgación ligadas a garantías de compatibilidad.

Mecánicas de plataforma

• Código para máquinas primero — Cada contrato entre servicios, registro de auditoría, configuración y ontología es legible por máquinas como superficie primaria; las interfaces para humanos son capas sobre APIs primero-para-máquinas.
• Taxonomía semilla como Bootstrap para PYMEs — Cada despliegue de inquilino provisiona una taxonomía semilla de cuatro partes — Arquetipos, Plan de Cuentas, Dominios, Temas — como el arranque del grafo de conocimiento.
• Substrato de flujo inverso — La puerta de enlace del Portero y el registro de auditoría que aplican la disciplina de datos de entrada están planificados para también aplicar flujos comerciales de salida — mercado de datos e intercambio de anuncios — ambos opt-in por inquilino.

Véase también

• Arquitectura — arquitectura transversal de la plataforma
• Patrones de Diseño — patrones de diseño nombrados realizados sobre sustratos