poindexter
Poindexter es una IA generativa de contenido que funciona en tu PC local, descubriendo temas, investigando, escribiendo y revisando contenido con múltiples modelos de IA, y publicándolo. Se ejecuta localmente mediante Ollama, con costos API de $0.
Ficha actualizada 22 sept 2026, 18:33 · upstream 22 sept 2026, 17:32 · release v0.144.0
Qué es poindexter
Descripción editorial construida a partir del repositorio, su documentación y sus señales de mantenimiento.
Poindexter es un motor de producción de contenido abierto que se ejecuta en tu propia máquina. Utiliza inteligencia artificial para descubrir tendencias, investigar temas, escribir artículos largos, realizar revisiones adversarias y publicar resultados. Se diferencia de las herramientas tradicionales por su enfoque en la curación y validación de calidad antes del publicación.
El sistema opera con un modelo principal (Gemma 3:27B) que genera contenido, seguido por un modelo crítico independiente (Phi-4:14B) que realiza una revisión adversaria contra el propio texto generado. Esto permite detectar errores, inconsistencias y hallazgos falsos sin depender de APIs externas pagas.
La arquitectura incluye un sistema de validación anti-hallucination con múltiples capas: verificación de citas, detección de personas ficticias, comprobación de estadísticas y validación visual mediante IA generativa. El resultado es contenido que no solo se lee bien sino que también puede ser verificado por humanos.
La plataforma soporta múltiples modelos locales (Qwen 3, Llama 3.3, Gemma 4) con capacidad de escalado según la GPU disponible, y permite integrar modelos cloud mediante un plugin ligero sin cambiar el entorno local.
- Generación de artículos técnicos para blogs o documentación técnica
- Creación de contenido educativo sobre temas específicos del nicho
- Producción de contenido para redes sociales con verificación de calidad
- Investigación y síntesis de información compleja en formato estructurado
- Generación de imágenes y video mediante modelos multimodales locales
- Creación de podcasts o audio narrativo a partir de texto generado
- Automatización de contenido para múltiples sitios web con gestión centralizada
- Funciona completamente localmente sin necesidad de APIs pagas, reduciendo costos operativos a cero.
- Utiliza modelos de IA independientes (no del mismo modelo) para la generación y la revisión adversaria, lo que reduce sesgos internos.
- Soporta validación anti-hallucination con múltiples capas de verificación: citas verificables, validación visual, y detección de inconsistencias lógicas.
- Arquitectura modular permite reemplazar o extender componentes sin afectar el resto del sistema.
- Sistema de auto-monitoreo mediante un watchdog daemon que detecta fallos de servicio y notifica al operador.
- Depende de modelos locales como Ollama, lo que requiere GPU con suficiente VRAM (8 GB mínimo recomendado) para ejecutar los modelos principales.
- La generación de imágenes y video es actualmente en fase beta o experimental; no está disponible en producción.
- El sistema se ejecuta localmente por defecto, lo que limita la escalabilidad horizontal sin infraestructura adicional.
- No incluye un editor de texto nativo ni herramientas de edición de código integradas.
- La validación anti-hallucination es manual y requiere intervención humana para casos complejos.
Perfil de infraestructura
Estimación inicial derivada del repositorio y de los servicios detectados.
Despliegue detectado
Qué señales reales de instalación hemos encontrado.
Requisitos mínimos: Docker, Ollama (versión 0.1.x+), Python 3.13+, NVIDIA GPU con 8 GB+ VRAM.,Despliegue recomendado en un servidor Linux con Docker Desktop o WSL2 para Windows.,Configura el entorno de producción mediante `poindexter setup --auto` que genera credenciales, inicia la base de datos y ejecuta las migraciones.,Para producción, despliega el watchdog daemon como servicio separado y configura alertas en Telegram/Discord.,La base de datos PostgreSQL debe mantenerse sincronizada con los cambios del entorno de desarrollo para evitar conflictos.
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.