musubi
Musubi es un servidor de memoria compartido para flotas pequeñas de agentes de IA, construido en Python con tres planes (episódico, concepto, curado) que permiten un flujo de vida controlado del conocimiento desde capturas crudas hasta notas editables por humanos.
Ficha actualizada 29 sept 2026, 22:14 · upstream 29 sept 2026, 22:03 · release v1.27.0
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, 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.
El sistema incluye un motor de ciclo de vida con cinco fases crononizadas (maduración, síntesis, promoción, democión y reflexión) que ejecutan tareas idempotentes sobre SQLite. Soporta búsqueda híbrida densa + sparse + reranker en una sola llamada API, y ofrece adaptadores para MCP, LiveKit y OpenClaw como interfaces externas.
El modelo de tenencia de agente (agent-as-tenant) permite namespace independiente por agente, mientras que el pipeline de release está completamente automatizado con verificación de digest y SBOM. Cada imagen publicada es cosign-signed y Trivy-scanned antes del despliegue.
- 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
- 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 configurados 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
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 pinar un digest. El despliegue a múltiples hosts se realiza mediante ansible-playbook con playbooks en `deploy/ansible/`.
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.