¿Cuántas veces te dijiste «este vídeo lo guardo y lo veo luego» y ese
¿Cuántas veces te dijiste «este vídeo lo guardo y lo veo luego» y ese luego jamás llegó?
A mí me ocurría todo el tiempo.
El verdadero problema no era acumular recursos. Era encontrarlos cuando de verdad los necesitaba y recordar el motivo por el que los había guardado en su momento.
Así que decidí construir mi propio Enrutador de Contenido: un sistema capaz de capturar, organizar e indexar de forma automática todo el material que voy descubriendo.
El funcionamiento es el siguiente:
• recibe contenido procedente de distintas fuentes;
• conserva el origen y elimina duplicados;
• lo clasifica, con revisión humana en los casos dudosos;
• almacena los registros en JSON y Git;
• combina búsqueda léxica y semántica;
• fusiona los resultados mediante RRF;
• y explica el motivo por el que ha recuperado cada elemento.
En su estado actual maneja 317 registros repartidos en 23 categorías, entre ellas 32 recursos verificados sobre System Design.
Ahora puedo hacerle una pregunta como:
«¿Qué tengo guardado sobre System Design?»
…y recibir una respuesta contextualizada, trazable y respaldada directamente por los recursos almacenados.
Guardar contenido no equivale a gestionar conocimiento. Recuperarlo con contexto, sí.
Para que cualquiera pueda probarlo sin acceder a mis datos reales, he publicado una versión portátil y limpia del proyecto, con registros sintéticos, pruebas automatizadas e integraciones para OpenClaw Foundation y Claude Code de Anthropic.
Puedes ver el repositorio aquí: Repositorio en GitHub
Si lo pruebas, me interesa saber: ¿qué integración le añadirías a continuación?
Y si te resulta útil, una ⭐ en GitHub me sirve para saber que merece la pena seguir desarrollándolo y documentándolo.Enrutador de contenido con RAG híbrido: búsqueda léxica, semántica y fusión RRF sobre 317 registros indexados
Resumen técnico
El sistema implementa un pipeline de captura multicanal con deduplicación automática y clasificación por categorías con validación humana opcional. Persiste 317 registros en JSON + Git como backend de versionado. Combina búsqueda léxica (BM25 o similar) con búsqueda semántica por embeddings, fusionando resultados mediante Reciprocal Rank Fusion (RRF). Organiza el corpus en 23 categorías, incluyendo 32 recursos verificados de System Design. Cada respuesta incluye trazabilidad explícita del origen. Integra OpenClaw Foundation y Claude Code de Anthropic. Disponible con registros sintéticos y pruebas automatizadas en repositorio público.
Análisis de implicaciones
La combinación de búsqueda léxica y semántica con RRF resuelve el problema clásico de los sistemas RAG puros: la recuperación semántica pierde precisión en consultas exactas, y la léxica falla en sinónimos o paráfrasis. RRF mitiga esto sin requerir reentrenamiento ni ajuste de pesos manual. Usar Git como capa de persistencia añade historial de cambios sin base de datos adicional, lo que reduce la infraestructura necesaria. La limitación principal es la escalabilidad: con volúmenes superiores a varios miles de registros, este enfoque requerirá un backend vectorial dedicado como Chroma, Qdrant o Weaviate.
Aplicación práctica
El caso de uso directo es un segundo cerebro técnico consultable: ingestas un recurso desde cualquier canal, el sistema lo clasifica y al consultar «¿qué tengo sobre System Design?» devuelve resultados rankeados con justificación. Implementable sobre cualquier colección de bookmarks, newsletters o vídeos guardados. La versión pública con registros sintéticos permite probar el pipeline completo sin datos reales. Las integraciones con Claude Code permiten ampliar el sistema con agentes que procesen o resuman los recursos recuperados de forma programática.
Contexto del sector
Los sistemas de Personal Knowledge Management (PKM) con RAG están ganando tracción frente a herramientas pasivas como Notion o Raindrop, que almacenan pero no recuperan con contexto. La diferencia técnica clave es la indexación semántica activa frente al etiquetado manual. Proyectos como Obsidian + plugins vectoriales o Mem.ai apuntan en la misma dirección, pero este enfoque open source con Git como backend ofrece control total sobre los datos y el pipeline.
Artículo relacionado