musubi
Musubi es un servidor de memoria para una pequeña flota de agentes de IA que permite compartir conocimiento entre ellos. Es un servicio independiente en Python con tres planes: episódico (capturas crudas), concepto (temas agrupados) y curado (notas revisadas por humanos).
Ficha actualizada 22 sept 2026, 22:54 · upstream 22 sept 2026, 22:40 · release v1.26.17
Qué es musubi
Descripción editorial construida a partir del repositorio, su documentación y sus señales de mantenimiento.
Musubi es una herramienta para gestionar el conocimiento compartido entre múltiples agentes de IA. Diferente a los sistemas tradicionales de RAG, Musubi introduce planes temáticos separados (episódico, concepto, curado) que permiten un flujo de vida controlado: las capturas crudas se maturan mediante LLMs, se sintetizan en conceptos agrupados por tema, y finalmente son promovidos a notas editables para revisión humana. Esto evita la acumulación infinita de datos y permite una retroalimentación iterativa entre agentes.
- Gestionar el conocimiento compartido entre múltiples asistentes de IA que trabajan sobre temas relacionados
- Crear un sistema donde los agentes pueden construir sobre conceptos previamente validados por humanos
- Permitir que diferentes agentes compartan y construyan sobre ideas sin duplicar contenido
- Facilitar la creación de bases de conocimientos estructuradas desde capturas crudas de conversaciones
- Soporte para múltiples agentes especializados (redacción, respuesta a preguntas, limpieza de datos) en un mismo ecosistema
- Modelo de tres planes (episódico, concepto, curado) que separa el procesamiento crudo del conocimiento humano revisado
- Motor de ciclo de vida con cinco fases crononizadas: maduración, síntesis, promoción, democión y reflexión
- Retracción híbrida mediante búsqueda densa + sparse + reranker en un solo call API
- Modelo de tenencia de agente (agent-as-tenant) que permite namespace independiente por agente
- Soporte completo para MCP, LiveKit y OpenClaw como adaptadores externos
- Pipeline de release completamente automatizado con verificación de digest y SBOM
- El sistema requiere un servidor Python con Qdrant y Ollama configurado por separado
- La maduración depende de LLMs que pueden tener sesgos en la puntuación de importancia
- Los conceptos promovidos son editables por humanos, lo que introduce un cuello de botella de validación
- El modelo de tenencia de agente es estático y no soporta escalabilidad horizontal automática
- La democión activa puede eliminar contenido valioso si no se implementa una política de reactividad
Perfil de infraestructura
Estimación inicial derivada del repositorio y de los servicios detectados.
Despliegue detectado
Qué señales reales de instalación hemos encontrado.
Para desplegar localmente, ejecuta `make install` con Python 3.12 + uv. Para producción, usa Docker Compose desde el template en `deploy/ansible/templates/docker-compose.yml.j2`. Cada imagen publicada debe ser cosign-signed y Trivy-scanned antes de pinear un digest. El despliegue a múltiples hosts se realiza mediante ansible-playbook con playbooks en `deploy/ansible/`. Se recomienda mantener una versión estable (v1.0) y actualizar mediante PRs automáticas desde el control host.
Stack y dependencias
Componentes inferidos a partir de manifests, configuración y documentación.
Puede sustituir a
Relaciones detectadas por el análisis del repositorio y su categoría.
Experiencia real de la comunidad
Ayuda a contrastar la estimación automática con instalaciones reales.
Todavía no hay datos comunitarios para este proyecto.