Tu bosque es una bóveda
El cierre de la serie: un bosque autoalojado, claves con alcance, una fila por persona y una puerta con cerradura. Veinte días de afirmaciones medidas y fallas publicadas, resumidos en tres frases.
Hace veinte días esta serie abrió con un argumento sobre capacidad: un modelo pequeño navegando un entorno bien construido le gana a un pipeline más grande adivinando. Cierra con un argumento sobre custodia. El bosque que tus agentes hacen crecer es un activo, y debería estar en tu bóveda, no en la de otro.
Los datos nunca salen de tu infra
MonkeyLLM es autoalojado por construcción, no como tier de precios. Motor, apps, almacenamiento y modelos corren en tus máquinas, y el despliegue toma cuatro comandos (quickstart). Todo lo que el bosque acumula (nodos plantados por tus agentes, enlaces de atajo acuñados por cacerías exitosas, el puntaje acumulado del almacén de respuestas) se queda donde lo pusiste. Tu bosque es una bóveda (Your forest is a vault), y una bóveda que no controlas es solo una caja de depósito en el banco de otro.
La soberanía es contractual además de arquitectónica. El motor es Apache-2.0 y las apps son AGPL (qué significa la división para ti), así que cada parte que toca tus datos puede leerse, auditarse y forkearse.
El rig del benchmark vuelve concreta la afirmación: cada número publicado se midió en una sola RTX 3060 con 12 GB. Un 12B cuantizado cabe entero, las tarjetas de 8 GB funcionan con cuantización más agresiva o con offload a CPU vía llama.cpp, y sin GPU local puedes apuntar el binding de chat a cualquier endpoint compatible con OpenAI. Ser dueño de tu infraestructura no exige ser dueño de un datacenter.
Una fila por persona
Una bóveda necesita un registro de quién tiene llaves. La pantalla People mantiene el control de acceso deliberadamente plano: una fila por persona, cada fila mostrando sus claves con alcance y sus tokens en vivo. Una clave no es una identidad, es una capacidad, acotada a lo que esa persona, o ese agente, puede hacer en este bosque, y revocable por sí sola. Los agentes reciben claves igual que las personas, lo que significa que el radio de impacto de un agente es algo que tú fijas, no algo que descubres.
El overview del bosque vuelve legible el alcance antes del primer salto: qué hay en este bosque y qué puede hacer tu clave en él.
La puerta tiene cerradura
No hay camino anónimo hacia un bosque. Studio, la API y las herramientas MCP se sientan todas detrás de la puerta de acceso, y la puerta es tuya: autentica contra tu despliegue, no contra una cuenta nuestra en la nube.
Veinte días en tres frases
Mostramos que la recuperación top-k es un solo salto por construcción, y que el mismo modelo local 12B pasó de 0/11 a 11/11 en preguntas estrictamente multi-salto cuando en su lugar navegó un bosque. Medimos la economía contra una línea base de RAG iterativo, 0.58x tokens por respuesta correcta a 8.4 s p95 contra 17.5 s, porque fallar barato no es economía. Y conservamos un criterio fallido en el informe, porque un benchmark que solo se puede aprobar no es un benchmark.
Haz crecer el tuyo
La serie terminó; el bosque no. Despliega uno en cuatro comandos con la guía de despliegue, dale una estrella a MonkeyLLM en GitHub si el argumento se la ganó, y lee el preprint en monkeyllm.com. Todo lo que tus agentes aprendan de aquí en adelante es tuyo.