// intercambiable
Modelo ≠ dependencia
Solo se aprenden artefactos de datos — pesos, prompts, fuentes. Nunca el código de la aplicación. La configuración sobrevive a cualquier cambio de modelo.
Local primero · Rust · LLM locales
Un resumen matutino que
se mejora cada día.
ibrief compone durante la noche un resumen curado, hecho a medida de una persona concreta — y luego mide qué fue realmente útil para adaptarse. Cinco minutos de señal en vez de horas de ruido. Totalmente local en una máquina Apple Silicon.
- crecer
- estar al día
- decidir bien
- mejores conversaciones
Filosofía de diseño
La memoria es el producto — no el modelo.
ibrief adopta una postura «LLM-OS»: el LLM es un núcleo de cómputo intercambiable, el valor reside en el estado persistente y versionado. La automejora va con correa — proponer, verificar contra retroalimentación real, asegurar, adoptar, revertir.
// control de autonomía
Con correa
Cada cambio propuesto pasa una barrera de seguridad antes de ser el valor por defecto. Verificar es más barato que generar — proponer mucho, adoptar poco (solo lo comprobado).
// anti-burbuja
El engagement no es la meta
Un optimizador de engagement ingenuo te hace más cómodo pero más tonto. ibrief sacrifica deliberadamente la puntuación a corto plazo para preservar diversidad e invariantes anti-burbuja.
// autoresearch acotado
Profundidad, controlada
La investigación en varios pasos (estilo Karpathy) es potente pero cara y propensa a alucinaciones — por eso es un módulo con presupuesto y citas obligatorias, no un agente suelto.
El círculo de automejora
Entregar → Feedback → Evaluar → Aprender → Asegurar.
El mismo bucle corre cada noche. Lo útil se refuerza; lo demás se desvanece — dentro de límites de seguridad estrictos.
01
Entregar
componer y enviar el resumen
02
Feedback
👍/👎 con botones de Telegram
03
Eval
conducta + juez + estructura
04
Aprender
pesos · prompts · fuentes
05
Barrera
comprobar · adoptar · revertir
↺ La puntuación de conducta es la verdad de referencia; el juez LLM ayuda sobre todo en el arranque en frío y se calibra contra el feedback real.
Tres ejes, cada uno protegido
La automejora no es una función — son tres.
EjePalancaSalvaguarda
Pesos
fuentes y temas
fuentes y temas
Bandido multibrazo (Thompson / muestreo Beta) con un suelo de exploración [0.2, 2.0]
Barrera de seguridad: límites + diversidad de fuentes (máx. 50 %), versionado, reversión
Prompts
p. ej. síntesis del TL;DR
p. ej. síntesis del TL;DR
Un LLM optimizador genera variantes; una prueba en sombra puntúa ambas con la misma entrada
Se adopta solo con un margen claro del juez; versionado de prompts + registro de experimentos
Fuentes
registro de feeds
registro de feeds
Puntuación de calidad desde feedback + frecuencia de selección; se retiran las débiles
Vigía de deriva (HHI): si se estrecha, se suspende la poda — amplitud antes que puntuación
El pipeline nocturno
Del feed bruto al resumen curado.
Ingesta→Dedup.→Enriquecer→Score (pesos)→Curar→TL;DR (prompt aprendido)→Render→Persistir→Enviar
El nivel masivo (resumir, etiquetar) corre en un modelo pequeño y rápido, el nivel de síntesis (curación, juez) en un modelo de clase 70B — ambos locales. Todo el ciclo de aprendizaje corre de noche prácticamente gratis; un modelo de frontera solo se usa de forma opcional para calibrar el juez mediante una suscripción existente (claude -p).
Anatomía de un resumen
Tres secciones con intención clara.
Las dos últimas no pueden eliminarse mediante personalización. El bucle de aprendizaje no puede optimizarte hacia una burbuja cómoda.
Destacados
Las noticias más importantes del día — personalizadas mediante los pesos aprendidos. Más «Las 3 cosas de hoy» como resumen ejecutivo.
Contrapunto fijo
Un contraargumento serio y presentado con honestidad (steelman) frente a tu propia posición — para conocer el otro bando en la conversación en lugar de argumentar dentro de la burbuja.
Comodín fijo
Un artículo real deliberadamente sorprendente, fuera de tus intereses habituales — preferiblemente de una fuente que no entró en la selección principal.
Hoja de ruta — totalmente implementada
Seis hitos, cada uno útil por sí mismo.
M1 ✓
Resumen estático
Ingesta → Enriquecer → Curar → Render contra Ollama local.
M2 ✓
Persistencia y feedback
SQLite (sqlx), dedup., registros de resumen; envío a Telegram con botones 👍/👎.
M3 ✓
Motor de evaluación
Puntuación de conducta + juez LLM frente a una rúbrica versionada + comprobaciones estructurales deterministas.
M4 ✓
Aprendizaje: pesos
Bandido de Thompson sobre fuentes/temas, barrera de seguridad, versionado de config y reversión.
M5 ✓
Aprendizaje: prompts
LLM optimizador + prueba en sombra; primitiva de decisión A/B temporal.
M6 ✓
Evolución de fuentes + AutoResearch
Puntuación, poda, vigía de deriva; bucle de investigación profunda acotado con verificación de citas.
Inicio rápido
Local en dos minutos.
Requisito: Ollama con un modelo masivo y uno de síntesis. En hardware más modesto, basta con poner modelos más pequeños en config/profile.toml.
# descargar modelos ollama pull qwen2.5:14b # nivel masivo (enriquecer) ollama pull llama3.3:70b # nivel de síntesis (TL;DR, juez) # componer un resumen cargo run -p ibrief-app # = brief # aprender y optimizar cargo run -p ibrief-app -- eval # puntuar el resumen de hoy cargo run -p ibrief-app -- learn # aprender pesos (Thompson + barrera) cargo run -p ibrief-app -- optimize # mejorar el prompt del TL;DR con prueba en sombra cargo run -p ibrief-app -- sources evolve # puntuar fuentes + vigía de deriva cargo run -p ibrief-app -- research "¿Qué hay de nuevo en LLM locales?"
Pila técnica
Rust 1.95 · Edition 2024Tokio asyncOllama LLM localessqlx + SQLitefeed-rs ingestareqwest API de Telegramrand_distr Thompson12 crates · CI en verde
FAQ
Preguntas frecuentes.
¿Qué es ibrief?
Un resumen matutino personalizado que se mejora solo. Compone un resumen curado durante la noche y se adapta a diario a la retroalimentación medida — totalmente local en Rust, con LLM locales vía Ollama.
¿Cómo se mejora ibrief a sí mismo?
En tres ejes protegidos: pesos (bandido de Thompson), prompts (prueba en sombra) y fuentes (puntuación más un vigía de deriva). Cada cambio pasa una barrera de seguridad y queda versionado y reversible.
¿Cómo evita ibrief la burbuja de filtro?
El engagement no es el objetivo de optimización. Dos secciones — Contrapunto y Comodín — no se pueden desactivar, y un vigía de deriva impone la diversidad de fuentes, incluso a costa de la puntuación a corto plazo.
¿Necesito una API en la nube?
No. ibrief corre totalmente local con Ollama. Un modelo de frontera en la nube es opcional y solo se usa para la calibración periódica del juez mediante una suscripción existente (claude -p).