Quién razona
EVA ejecuta pasos bajo contrato (LLM local o remoto). No cambia catálogos, políticas ni memoria global por sí sola.
Local-firstAuditableOn-premCero auto-merge
a cognitive kernel
Gobierna agentes que aprenden de cada tarea — no solo orquesta LLMs
EVA razona. NOUS gobierna.
Cada workflow o tarea completada alimenta memoria para la siguiente: más eficiente y anclada en resultados reales. Mientras ejecuta, el kernel supervisa el razonamiento e interviene si se degrada — con políticas explícitas y auditoría, no con el modelo al mando.
- Memoria que acumula Cada ejecución enseña al sistema; la siguiente recupera experiencia verificada.
- Supervisión en vivo El kernel actúa ante señales sostenidas de confianza, no ante ruido puntual.
- Gobernanza explícita Políticas, autorización y linaje auditable; el LLM no administra el sistema.
El problema
La generación actual de agentes IA suele ser un envoltorio reactivo sobre un LLM, insuficiente para producción regulada:
- Sin memoria persistente más allá de la ventana de contexto.
- Sin aprendizaje entre tareas: cada conversación arranca desde cero.
- Sin gobernanza fuerte: el modelo propone herramientas sin un kernel que fije políticas.
- Sin auditoría reproducible: reconstruir el «por qué» es adivinanza sobre logs sueltos.
La propuesta
“EVA razona. NOUS gobierna.”
EVA es la unidad de razonamiento (LLM, p. ej. llama.cpp). NOUS es el kernel: políticas, memoria, aprendizaje en grafo e índices vectoriales, y event sourcing auditable.
Cómo aprende NOUS
Los orquestadores conectan pasos entre llamadas al modelo. NOUS ejecuta workflows y tareas en producción: cada cierre consolida experiencia; la siguiente run la reutiliza — con un kernel que gobierna qué se guarda y qué se permite.
Por cada workflow o tarea
1 Workflow / tarea
Instancia gobernada en el runtime
2 EVA razona
Pasos, herramientas y skills del catálogo
3 Kernel observa
Políticas, confianza en vivo, recall si hace falta
4 Memoria
Episodio + grafo al cierre
5 Auditoría
Linaje; sin auto-merge
Al cerrar: episodio + actualización del grafo. Eventos auditables en el EventStore.
Consolidación entre ejecuciones
Cuando el sistema está idle o entre ciclos operativos:
MejorasRegresionesFallos repetidosÉxitos estables
Replay gobernado Decaimiento, promoción de patrones, meta-política de pausas
Propuesta de workflow Solo si la gobernanza autoriza — nunca merge automático
La memoria larga y las políticas evolucionan sin que el LLM reescriba el sistema.
- EVA — razonamiento
- NOUS — gobierno y observación
- Memoria persistente
- Autorización y auditoría
A diferencia de optimizar un documento de «skill» en texto (p. ej. enfoques tipo SkillOpt), NOUS aprende del grafo y los episodios de cada ejecución real bajo gobernanza del kernel.
Cómo gobierna NOUS
El modelo propone pasos; el kernel decide qué está permitido, qué se persiste y qué queda demostrable.
EVA razona. NOUS gobierna.
Quién decide
NOUS aplica límites de coste, colisiones y cancelación; supervisa confianza en vivo; inyecta contexto o escala; persiste memoria al cierre.
Quién opera
Plano de control (nous_ctl) separado del tráfico de producto: configuración sin mezclar chat ni gateway.
- Cero auto-merge: workflows, skills y mutaciones sensibles requieren autorización explícita.
- Event sourcing: decisiones relevantes con linaje, no solo logs de texto.
- Skills y workflows: el catálogo se invoca en ejecución; el aprendizaje vive en memoria y grafo.
Diferenciadores
Frente a orquestadores de agentes (LangGraph, CrewAI, cadenas de prompts) y memoria opcional tipo RAG:
| Orquestadores / agentes típicos | NOUS |
|---|---|
| Encadenan llamadas al LLM | Kernel gobierna ciclo completo |
| Cada run empieza de cero | Aprende de cada tarea cerrada |
| Vector store opcional | Episodios + grafo + recall multi-vista |
| El modelo «manda» | EVA razona; NOUS autoriza y persiste |
| Logs para depurar | Event sourcing auditable |
| Cloud-first | Local-first (llama.cpp + GGUF) |
Explorar NOUS
¿Encaja con tu caso?
- Desplegar un kernel cognitivo gobernado en producción regulada con trazabilidad.
- Sustituir un RAG estático por aprendizaje online con políticas explícitas.
- Ejecutar cognición on-prem por compliance o latencia.
- Contribuir a un kernel open-source donde el diseño es el producto.