0.5.0 · · Release en GitHub
Kernl 0.5.0: el grafo viene incluido y los agentes aprenden unos de otros

Cinco días después de la 0.4.6, Kernl 0.5.0 cambia lo que está debajo de todo lo demás: el grafo que une a tu gente, tus mails, tus tareas y lo que aprenden los agentes ahora es parte del propio Kernl.
El grafo viene incluido
Kernl necesitaba un servidor Neo4j para su memoria: otro contenedor, otra contraseña, uno o dos gigas de RAM. Ahora el grafo corre dentro del kernel, sobre Relate, un motor embebido que habla el mismo Cypher. Una instalación nueva no tiene nada extra que levantar, y Neo4j pasa a ser un agregado para quien quiera Graph Data Science.
Una instalación que ya tenía Neo4j se pasa sola. Kernl sigue sirviendo desde Neo4j mientras copia el grafo en segundo plano, verifica que los conteos coincidan, cambia sin reiniciar y trae lo que haya llegado durante la copia. Neo4j queda intacto, así que volver es un interruptor en /extensions.
El catálogo de cine ya no vive en el grafo: era una copia de lo que SQLite ya tiene y, en una instalación real, nueve de cada diez nodos. Sin él, el grafo de esa instalación se copió en 7 segundos con un pico de 230 MB, cuando entero había tardado 53 minutos y 12 GB.
Lo que aprende un agente lo saben los demás
Cada corrida, las herramientas que usó y las lecciones que dejó forman ahora un grafo de experiencia compartido. Cuando un agente empieza una tarea, su prompt trae las lecciones que otros agentes aprendieron en la misma situación, ordenadas por cuánto encajan y cuánto se confirmaron, y marcadas como experiencia ajena, no como instrucciones.
Cada cambio en lo que sabe un agente queda registrado y se anuncia, y las lecciones de una oficina se pueden exportar como archivo e importar en otra instalación, con revisión y sin datos personales.
Decisiones que se recuerdan y se miden
Cada respuesta que le das a un agente guarda quién la dio y por qué canal. Cuando el mismo tipo de pregunta recibe siempre la misma respuesta, la próxima llega con esa respuesta como sugerencia, y Kernl mide cuántas veces acertó. Una oficina puede dejar que una categoría se responda sola cuando acertó el 97% de al menos 30 veces, solo donde una extensión dice que es seguro, y una pregunta de cada diez te sigue llegando a vos.
Cuando varios agentes quedan bloqueados por la misma causa externa, como un servidor caído, se registra una sola vez como hecho del entorno: esperan en vez de volver a preguntar, y cerrarlo los despierta a todos.
Hechos con dos líneas de tiempo y una máquina del tiempo
Kernl ahora guarda los hechos con cuándo fueron ciertos y cuándo los creyó. Un valor nuevo cierra el anterior o lo corrige, y nada se borra, así que Kernl puede responder qué sabía en cualquier fecha y por qué un agente actuó como actuó. La máquina del tiempo lo muestra: elegís una persona, empresa o agente y un momento, y ves qué sabía Kernl entonces, quién escribió cada hecho y qué corridas actuaron sobre uno que ya estaba viejo.
Una sola pregunta sobre toda la memoria
kernel_brain_ask busca de una vez en el cerebro, el historial del chat, las lecciones de los agentes y las personas, tareas, notas, mails y eventos del grafo, por significado y por palabras. Cada persona es una sola a través de todas las fuentes: un contacto guarda todas las direcciones y usuarios con que se lo conoce, los duplicados se encuentran y se unen con una copia de respaldo, y una vista 360 junta todo sobre alguien. Y cada escritura guarda quién la hizo, así que "¿quién cambió esto?" tiene respuesta.
El grafo trabajando, a la vista
Un explorador del grafo en 3D te deja recorrerlo desde cualquier etiqueta. La sala de máquinas lo muestra trabajando: las últimas consultas con los tiempos del propio motor, el esquema como un plano y el camino entre dos nombres. Las oficinas muestran lo que aprendieron: el impacto de cada lección, una biblioteca por semana y una constelación que ubica las lecciones por significado, donde una lección recordada se enciende y manda un haz al escritorio que la usó.
Los agentes también pueden leer el grafo, con consultas de solo lectura verificadas y preguntas en palabras comunes, y correr PageRank, comunidades e intermediación sobre cualquier motor. Los repos suman un grafo de código (puntos calientes, dueños, impacto de un cambio), y los eventos y viajes, lugares.
Antes de actualizar
- En Docker, actualizá con
scripts/kernl.sh updatey dejá Neo4j encendido hasta que el log diga que la migración del grafo se puso al día con lo que llegó a Neo4j durante la copia. Para quedarte en Neo4j, ponéKERNL_KEEP_NEO4J=1. - Por ahora respaldá
data/grapha mano:backup.shtodavía no lo incluye. La guía de despliegue explica cómo. - Las migraciones corren al arrancar; no hay nada más que hacer a mano.
La lista completa está en el changelog.
Registro de cambios
Actualizar desde 0.4.6
- El grafo ahora viene incluido y tu instalación se pasa sola. En el primer
arranque de esta versión Kernl cambia a Relate, el grafo embebido, una sola
vez. No hay que hacer nada a mano:
- Sin grafo antes (la app de escritorio): se activa Relate y se llena con tus datos de SQLite en el primer minuto. Si responde un Neo4j con datos (los stacks viejos guardaban ahí la memoria del chat aun con el grafo apagado), se copia ese.
- Con Neo4j antes (toda instalación Docker): Kernl arranca sobre Neo4j como siempre y copia el grafo a Relate en segundo plano (memoria del chat, vínculos entre contactos, noticias, las lecciones y decisiones de los agentes), todo menos el catálogo de cine, que ya no vive en el grafo (ver abajo). Cuando termina y los conteos coinciden, pasa a Relate sin reiniciar y trae lo que llegó a Neo4j durante la copia. Neo4j queda tal cual; volver a activarlo en /extensions es el camino de vuelta. La copia tarda cerca de 1 ms por nodo o relación en una Mac M y Kernl sigue funcionando todo ese tiempo. En una instalación real el catálogo de cine era 0,93M de 0,95M nodos; sin él, el resto (13k nodos, 7,5k relaciones) se copió en 7 segundos. Si se reinicia durante la copia, la copia empieza de nuevo.
- Neo4j apagado en ese momento: Kernl arranca igual sobre Relate, lleno desde SQLite, y trae lo que vive solo en Neo4j (memoria del chat, vínculos, noticias) en cuanto Neo4j responde. Lo revisa en cada arranque y cada 30 minutos.
- Si la copia falla, Kernl sigue en Neo4j con todos sus datos y lo vuelve a intentar en el próximo arranque.
- Grafos grandes: Relate tiene el grafo en memoria, sin límite salvo que
se elija uno. Antes de copiar, Kernl estima cuánto va a ocupar y copia con
1,5× eso como tope, hasta lo que la máquina puede dar (el límite de memoria
del contenedor, o el 80% de la RAM), y deja ese tope como límite de memoria
de Relate. Un grafo más grande que lo que entra se queda en Neo4j, y la
copia se reintenta recién cuando hay más memoria (o un
RELATE_LOGICAL_GRAPH_SIZE_LIMITmayor), no en cada arranque. - Memoria y tiempo de arranque: Relate tiene todo el grafo en RAM. La instalación de arriba, sin el catálogo, ocupa 2,7 MB en disco, llegó a 230 MB al copiarse y abre en menos de un segundo; con el catálogo eran 3,3 GB, 12,2 GB y dos minutos. Un grafo grande propio sigue necesitando ese margen.
- Lo que pasó queda en la tabla
kernl_upgradesy en el log (Graph upgrade: …). - Para quedarte en Neo4j (porque usás Graph Data Science, por ejemplo), poné
KERNL_KEEP_NEO4J=1.KERNL_GRAPH_UPGRADE=offsaltea el paso entero.
- Docker: actualizá con
scripts/kernl.sh update: hace pull, construye mientras el kernel viejo sigue atendiendo y recrea el kernel y el dashboard pausando antes las oficinas, comorestart. Mientras exista el volumenneo4j-datamantiene levantado el servicio de Neo4j, así la copia puede leerlo. Cuando el log diga que el upgrade terminó podés frenarlo conscripts/kernl.sh stop neo4j; tus datos quedan en el volumen. - El esquema del grafo se actualiza al arrancar: los tiempos de los hechos
pasan a fechas nativas, los embeddings a
VECTOR<FLOAT32>, las lecciones guardan cuándo se aprendieron y los vínculos de procedencia se rearman desde la tabla de auditoría. No hay que hacer nada a mano. - La migración agents 64 corre al arrancar: las preguntas guardan de qué tratan y quién las respondió, por qué canal.
- Las extensiones incluidas que cambiaron traen versión nueva (Cinema 1.38.0, y Agent Advanced, CRM, Google Sync, Metas, Notas, Recordatorios, Repos, Compras y Tareas un patch arriba), así una instalación cuya copia vive en la carpeta de extensiones toma el código nuevo en vez de quedarse con el de la 0.4.6.
- El catálogo de cine sale del grafo. Era una proyección de SQLite (obras, identidades de Wikidata, directores, géneros, temas, colecciones) que nadie leía desde que sus vectores pasaron a SQLite, y en una instalación real era ~90% del grafo. La copia desde Neo4j lo deja atrás, y un grafo incluido que ya lo tiene lo devuelve una vez al arrancar (las personas del CRM quedan: solo se van los directores sin id del CRM). Navegar, buscar, títulos similares y "para vos" funcionan igual. El rescate de uploads sin año por sus alias corre ahora sobre un índice de texto completo de SQLite (la migración cinema 22 lo arma con los alias ya descargados), y sus propuestas siguen yendo a revisión. La parte de cine del grafo ya no aparece en Sistema › Almacenamiento; los títulos que un límite dejó afuera ahí siguen fuera de la búsqueda semántica.
Agregado
- Los agentes aprenden unos de otros. Las corridas, las herramientas que usaron y las lecciones que dejaron se proyectan en un grafo de experiencia compartido, y el prompt de un agente trae las lecciones de otros agentes que encajan con su objetivo, ordenadas por relevancia, confianza, herramientas y oficina en común, y marcadas como datos no confiables. Cada cambio en lo que sabe un agente queda registrado y se anuncia.
- Paquetes de oficina. Las lecciones de una oficina se exportan como
archivo JSON o Markdown sin mails, teléfonos, tokens ni rutas personales;
importar uno deja sus lecciones para revisión (
kernel_office_pack_review), con la confianza limitada a 0,6. - Hechos con dos líneas de tiempo.
kernel_facts_assert,_retracty_queryguardan cuándo fue cierto cada hecho y cuándo lo creyó Kernl; un valor nuevo cierra o corrige el anterior y nada se borra.kernel_facts_explainresponde por qué actuó Kernl y qué sabía entonces. kernel_brain_ask: una sola pregunta sobre el cerebro, el chat, las memorias, las lecciones de los agentes y las personas, tareas, notas, mails y eventos del grafo, por significado y por palabras, en una sola lista.- Una persona a través de todas las fuentes. Los contactos guardan todos
los mails, teléfonos y usuarios con que se los conoce;
kernel_crm_duplicates,kernel_crm_merge(con copia de respaldo),kernel_crm_not_duplicateykernel_crm_person_360. - Procedencia. Cada escritura por una herramienta guarda quién la hizo, si
funcionó y los ids que tocó (180 días);
kernel_audit_who_changedykernel_audit_changes. - Los agentes leen el grafo.
kernel_graph_schema,kernel_graph_query(una consulta de solo lectura, verificada de tres formas) ykernel_graph_ask(una pregunta en palabras comunes);kernel_graph_scratchykernel_graph_slicele dan a una corrida un grafo propio donde escribir. Los clientes MCP de afuera nunca venGRAPH_PRIVATE_LABELS(mails, memoria del chat y hechos, por defecto). - Análisis de grafo en cualquier motor.
kernel_graph_analyze: PageRank, comunidades, componentes e intermediación, con GDS cuando el grafo lo tiene, un GDS remoto conGDS_REMOTE_URI, y TypeScript puro si no. - Un explorador del grafo en /graph: el grafo en 3D, por etiqueta o búsqueda, sumando vecinos a uno o dos saltos.
- Grafo de código para los repos.
kernel_repos_code_hotspots,kernel_repos_code_ownersykernel_repos_change_impact, desde la historia de git. - Lugares. Dónde son los eventos, viajes y hoteles, y qué hay cerca
(
kernel_places_near); la geocodificación solo conPLACES_GEOCODER=nominatim. - Una máquina del tiempo sobre lo que Kernl sabía. Elegís una persona, empresa o agente y un momento: Kernl rearma lo que sabía entonces, quién escribió cada hecho, cuáles se reemplazaron después y qué corridas de agentes actuaron sobre un hecho que ya estaba viejo. En la oficina 3D el grafo se levanta como un holograma sobre su oficina.
- La sala de máquinas. El grafo trabajando: las últimas consultas con los tiempos del propio motor, el esquema como plano, el uso de índices y el camino entre dos nombres. Una sala propia en la oficina 3D.
- Lo que aprendieron las oficinas. El impacto de cada lección (las corridas que la recordaron, qué cambió, cómo se movió su confianza), una biblioteca con todas las lecciones por semana y su linaje entre agentes, y una constelación que ubica las lecciones por significado; una lección recordada brilla y manda un haz al escritorio que la recibió.
- Las decisiones de los agentes se recuerdan y se miden. Cada respuesta a una pregunta de un agente guarda quién la dio y por qué canal (dashboard, WhatsApp, Telegram, API, el Chief). Cuando el mismo tipo de pregunta recibe siempre la misma respuesta, la siguiente la muestra como sugerencia, y se mide cuántas veces acertó. Una oficina puede dejar que una categoría se responda sola cuando acertó al menos el 97% de 30 veces, y solo donde una extensión dice que el caso es seguro; una de cada diez preguntas sigue yendo a una persona, para seguir midiendo.
- Hechos del entorno. Cuando varios agentes quedan bloqueados por la misma causa externa (un servidor caído, una credencial que falta), se registra una vez; esperan sobre ella en lugar de volver a preguntar, y cerrarla los despierta a todos.
- Las decisiones en el grafo. Las preguntas, el trabajo del que tratan, quién decidió y qué pasaba en ese momento pasan a ser nodos, así un agente puede preguntar qué se decidió la última vez sobre el mismo pull request y qué cambió desde entonces.
Corregido
- La imagen de Docker se construye en ARM. Entre las variantes de CPU de whisper.cpp hay una que el compilador de bookworm no conoce en arm64, así que la imagen del kernel no se construía en Graviton, una Raspberry Pi o Docker en una Mac con Apple Silicon.
LIMIT $nen Neo4j. El driver de JavaScript manda todo número como float, y Neo4j lo rechaza después deLIMITySKIP("'5000.0' is not a valid value"): fallaban la limpieza de huérfanos del grafo de cine, el explorador del grafo, la memoria del chat y la constelación de lecciones. Los parámetros de paginado ahora viajan como enteros.AGENTS_SCHEDULER=offdejaba andando el barrido de la bandeja, que despertaba agentes por cartas que ya estaban esperando. Ahora se apaga junto con el scheduler.- El chat con Claude Code pasa a la siguiente cuenta conectada cuando una llega a su límite de uso, y al resto de la cadena de modelos cuando todas se agotaron, en vez de terminar el turno con un 429.
- Se aplica el límite de memoria de Relate. Bajo Bun el tope nunca llegaba al motor; ahora se respeta el que se elige en /extensions (o el que calcula el upgrade), y no se aplica ninguno si nadie lo elige.