Blog
Notas de ingeniería sobre navegación, ingesta, memoria de agentes y benchmarking honesto, escritas por quienes corrieron los experimentos.
Sin clúster, sin A100: el benchmark completo corrió en una RTX 3060 con 12 GB. Qué cabe en 12 GB, qué hacer con 8, y cómo correr sin GPU local a través de cualquier endpoint compatible con OpenAI.
4 min de lectura
La ingesta es donde el bosque gasta su esfuerzo: 1.71 s por documento, contrato de sesenta tokens aprobado al 100%, cero enlaces rotos. Pagar una vez al escribir, en un lote visible, no en cada consulta para siempre.
4 min de lectura
Rerankers, reescritura, HyDE, bucles y agentes: todos ayudan, y por eso están en todas partes. Esto cuesta cada uno, aquí se detiene cada uno en multi-salto, y esta es la brecha que queda, medida.
5 min de lectura
El rig del benchmark es una RTX 3060, pero nada te exige tener GPU. Apunta el binding de chat a cualquier endpoint compatible con OpenAI y deja que el bosque haga el trabajo estructural.
4 min de lectura
El costo por consulta hace que fallar parezca un descuento. Medido por respuesta correcta, el navegador de bosque gasta 0.58x los tokens de una línea base de RAG iterativo, mismo modelo 12B. Aquí está la aritmética.
4 min de lectura
La categoría asume un servicio de embeddings, un índice ANN y una GPU. Medimos la búsqueda de entrada en recall@5 = 1.00 a 1.3 ms p95 con BM25 sobre SQLite, y dejamos el embedder opcional.
4 min de lectura
Cada sesión de agente arranca reconstruyendo contexto que la anterior ya pagó. Qué cambia una memoria de bosque persistente en los flujos de agentes, y el archivo de skills que hace que los agentes la usen de verdad.
4 min de lectura
El paper trae la arquitectura completa, las tablas del benchmark y los hallazgos que no cumplieron sus criterios.