Resumen Técnico: ContextNest – Gobernanza de Contexto Verificable para Agentes de IA Autónomos

1. Declaración del Problema: La Brecha de la Gobernanza del Contexto

Los agentes de IA autónomos dependen cada vez más de depósitos de conocimiento externos para realizar tareas operativas. Sin embargo, los flujos de trabajo estándar de Generación Aumentada por Recuperación (RAG), aunque efectivos para encontrar texto semánticamente relevante, carecen de mecanismos para garantizar la procedencia, la identidad de versión, la integridad, la trazabilidad o la reconstrucción en un punto en el tiempo del conocimiento que consumen.

El documento identifica una "Brecha de Gobernanza del Contexto" (CGG): la diferencia entre simplemente dar acceso a un sistema de IA a la información y asegurar que dicha información sea aprobada, actual, atribuible, versionada, resistente a manipulaciones y auditable.

• El Modo de Fallo: Un agente puede recuperar con confianza un documento archivado o superado (por ejemplo, un umbral de política antiguo) porque es textualmente relevante, lo que conduce a acciones incorrectas. Los índices RAG estándar no distinguen entre versiones vivas y archivadas, ni proporcionan un rastro de auditoría reconstruible de qué versión específica informó una decisión.
• La Tesis: A medida que los agentes de IA se convierten en actores operativos, la gobernanza del contexto —no solo la capacidad del modelo— es la restricción vinculante para una IA empresarial confiable. La gobernanza debe ser una capa debajo de la recuperación, no un reemplazo de esta.

2. Metodología: La Especificación ContextNest

ContextNest es una especificación abierta y una implementación de referencia para "depósitos de conocimiento gobernados y consumibles por IA". Trata el contexto como un artefacto gobernado de primera clase. El sistema se compone de cinco mecanismos entrelazados:

A. Modelo de Documento y Gestión (Stewardship)

• Documentos Tipados: La unidad atómica es un archivo Markdown con un encabezado de metadatos YAML. Los documentos se clasifican en ocho tipos de nodos (ej. document, snippet, glossary, persona, source, tool), lo que permite consultas selectivas por tipo.
• Puertas de Estado (Status Gates): Los documentos tienen un campo status (draft o published). Solo los documentos published son elegibles para el consumo de la IA.
• Capa de Gestión (Stewardship): Un modelo jerárquico vincula a los responsables (stewards) con los alcances (documento, carpeta, etiqueta, depósito) con roles (Viewer, Editor, Reviewer).
  • Separación de Funciones: En "modo gobernado", un responsable no puede aprobar su propio trabajo; un Reviewer distinto al Author debe promover un documento de draft a published.

B. Gramática de Selección Determinista

A diferencia de la recuperación basada en embeddings que depende de la similitud probabilística, ContextNest utiliza un lenguaje de consulta algebraico de conjuntos para seleccionar documentos.

• Operadores: Soporta Unión (|), Intersección (+ o espacio) y Diferencia (-).
• Átomos: Las consultas pueden dirigirse a etiquetas, URIs, tipos de documentos o estados.
• Determinismo: La función de selección es una función pura del selector, el número de checkpoint y el historial inmutable. Produce resultados idénticos para consultas idénticas, satisfaciendo el requisito de selección determinista.

C. Contexto Direccionable (Esquema URI)

ContextNest define un esquema de URI contextnest:// para referencias estables y versionables:

• Direccionamiento Directo: contextnest://path (último publicado) o contextnest://path@N (fijado al checkpoint N).
• Direccionamiento de Conjuntos: contextnest://tag/name o contextnest://folder/.
• Recuperación Delegada: contextnest://search/{query} permite la integración con back-ends de recuperación semántica (RAG), pero marca explícitamente que estos son de naturaleza no determinista.

D. Verificación de Integridad y Checkpoints

• Historial de Cadenas de Hash: Cada versión de documento incluye un hash de cadena SHA-256 que vincula el contenido, el autor, la marca de tiempo y el ordinal. Modificar cualquier entrada invalida todos los hashes subsiguientes.
• Checkpoints a Nivel de Grafo: Un registro de solo adición (append-only log) registra instantáneas atómicas de todo el grafo de conocimiento. Cada checkpoint se vincula a las cadenas de hash por documento, permitiendo la consistencia temporal y la reconstrucción bit a bit idéntica del estado del grafo en cualquier punto pasado.

E. Inyección, Rastreo y Datos en Vivo

• Traza de Auditoría: Cada acceso al contexto genera un registro estructurado que identifica la versión consumida, el checkpoint y la autoridad del gestor (steward). Esto forma un "paquete de evidencia" para la auditoría.
• Nodos de Fuente (Source Nodes): Documentos especiales que declaran instrucciones para obtener datos en vivo (vía MCP, REST, etc.).
• Ciclo de Vida Escalonado: Para cerrar la brecha de auditoría de los datos externos efímeros, un estado "staged" captura los resultados hidratados en un registro verificable y protegido por integridad, antes de que sean promovidos a conocimiento duradero o eliminados (garbage-collected).

3. Contribuciones Clave

1. Modelo Formal: Define la gobernanza del contexto mediante seis propiedades: Procedencia, Identidad de Versión, Integridad, Selección Determinista, Trazabilidad y Consistencia Temporal. Demuestra que las arquitecturas RAG estándar fallan al proporcionar estas propiedades de forma nativa.
2. Especificación Portable: Una especificación completa para depósitos gobernados, que incluye Markdown tipado, roles de gestión, una gramática de selección, esquemas URI y versionado de cadenas de hash.
3. Implementación de Referencia: Paquetes de código abierto que incluyen un Motor Central (Core Engine), una CLI (19 comandos) y un Servidor MCP, lanzados bajo AGPL-3.0 (con la especificación bajo Apache-2.0).
4. Validación Empírica: Primeros resultados experimentales que aíslan los modos de fallo de gobernanza de los problemas de calidad de recuperación.

4. Resultados Experimentales

El documento reporta resultados de dos experimentos controlados:

Experimento 1: Ataque de Versión Obsoleta (Gobernanza vs. Recuperación)

• Configuración: Una suite de 30 consultas que apuntan a hechos donde las versiones "actuales" y "archivadas" se contradicen. Se compararon los métodos de recuperación: Selector de ContextNest (gobernado), BM25 "leaky" (indexa el historial) y BM25 "clean" (solo publicados).
• Resultados:
  • Selector: 97% de tasa de éxito con ~215 tokens de entrada.
  • BM25 Leaky: 93% de tasa de éxito con ~655 tokens.
  • BM25 Clean: 90% de tasa de éxito con ~725 tokens.
• Hallazgo: El selector gobernado domina estrictamente en el Pareto a BM25, logrando una mayor precisión con aproximadamente 1/3 del costo de tokens. Evita con éxito la "contaminación por versión obsoleta" (recuperar hechos desactualizados) y los "fallos de recuperación" (no encontrar documentos relevantes debido a baja superposición léxica).

Experimento 2: Determinismo de la Recuperación

• Configuración: Un corpus sintético de 1,060 documentos con 50 consultas, ejecutadas 20 veces cada una. Se compararon el Selector, BM25 y Dense + HNSW (FAISS).
• Resultados:
  • Selector y BM25: Perfectamente deterministas (similitud de Jaccard = 1.0 en todas las ejecuciones).
  • Dense + HNSW: No determinista en el 80% de las consultas. Similitud media de Jaccard de 0.611; el peor caso fue 0.210 (significando que consultas idénticas repetidas devolvieron conjuntos de documentos completamente diferentes).
• Hallazgo: Los pipelines de recuperación semántica (específicamente los embeddings densos con HNSW) fallan en la propiedad de determinismo requerida para la auditoría y la reproducción regulatoria, mientras que la selección gobernada garantiza dicho determinismo.

5. Significado y Reivindicaciones

El documento afirma que ContextNest aborda una clase de modos de fallo que la calidad de la recuperación por sí sola no puede resolver.

• Complementariedad Arquitectónica: ContextNest no es un reemplazo para RAG. Es una capa de gobernanza que determina qué artefactos son elegibles para el consumo. RAG opera entonces sobre este subconjunto gobernado.
• Substrato Confiable: El sistema proporciona el "mecanismo a nivel de artefacto" para un substrato de conocimiento confiable, permitiendo a las organizaciones reconstruir exactamente qué versiones de conocimiento informaron la salida de un agente y si esas versiones eran elegibles en ese momento.
• Cambio Organizacional: Transforma el contexto de un subproducto personal y efímero del prompting en un activo organizacional gobernado, portable y agnóstico al modelo.
• Linaje Intelectual: El trabajo se posiciona como la realización contemporánea de la investigación en Sistemas de Información sobre la "descarga progresiva del trabajo cognitivo", argumentando que a medida que la carga cognitiva se desplaza hacia las máquinas, el sistema debe proporcionar conocimiento fundamentado, atribuible y auditable para mantener la confianza.

Los autores mantienen la modestia, señalando que estos son los primeros resultados empíricos sobre corpora sintéticos controlados. Reconocen limitaciones, como la falta de atestación de identidad del agente integrada y la naturaleza retrospectiva de la detección de manipulaciones (detectar en lugar de prevenir). El programa experimental completo (incluyendo QA de múltiples saltos y pruebas de escalabilidad) está en curso.