AquiLLM: An Architecture for Supporting Tacit Knowledge Capture in Research Groups

Imagina a un grupo de científicos trabajando juntos en un laboratorio, como una banda ensayando en un garaje. Tienen su partitura (artículos publicados) y sus instrumentos (datos), pero la verdadera magia ocurre en los momentos desordenados y no registrados: los chistes internos, las advertencias de "no toques ese botón" y los atajos ingeniosos que inventan sobre la marcha. Esto se llama conocimiento tácito: aquello que sabes porque lo has hecho, no porque lo hayas leído. Por lo general, cuando un miembro de la banda se va, ese conocimiento secreto se marcha con él.

Para resolver esto, los científicos están intentando usar la Inteligencia Artificial (IA) para que actúe como una supermemoria para estos grupos. Piensa en la IA como un bibliotecario muy rápido y muy listo que puede leer cada libro de la biblioteca al instante. Sin embargo, la mayoría de estos "bibliotecarios" son propiedad de grandes empresas. Esto crea un problema: si le haces una pregunta al bibliotecario de una empresa, ellos podrían quedarse con una copia de tu pregunta para entrenar a su próximo bibliotecario, o podrían no mostrarte exactamente cómo encontraron la respuesta. Para los científicos, que necesitan poder verificar su trabajo y mantener la privacidad de sus datos, esto es inaceptable. Necesitan un bibliotecario que puedan construir ellos mismos, mantener en su propio sótano y en el que puedan confiar plenamente.

Aquí es donde entra AquiLLM. Es una nueva herramienta de código abierto diseñada específicamente para que los grupos de investigación capturen ese conocimiento desordenado y no expresado. El artículo describe cómo el equipo actualizó AquiLLM para que sea más parecido a un asistente de investigación local y útil que vive en las propias computadoras del grupo. En lugar de enviar datos a la nube, utiliza la Generación Aumentada por Recuperación (RAG). Imagina que RAG es un sistema donde la IA no solo adivina respuestas desde su propio cerebro; en su lugar, primero corre hacia una estantería específica, toma las páginas exactas que necesita y luego las lee en voz alta para responder a tu pregunta. Esto asegura que la IA se ciña a los hechos que el grupo realmente posee, en lugar de inventárselos.

Los autores de este artículo no se limitaron a construir una versión básica; le dieron un cambio de imagen importante basado en lo que los científicos reales (como los astrofísicos) necesitaban de verdad. Añadieron funciones que permiten al sistema "ver" imágenes y gráficos, no solo leer texto, y le dieron una "memoria" que recuerda quién eres y de qué has hablado antes, sin mezclar diferentes proyectos. También se aseguraron de que el sistema fuera modular, lo que significa que puedes intercambiar partes como el cerebro o los ojos sin tener que reconstruir todo el robot.

El artículo sugiere que estas mejoras hacen que el sistema sea mucho mejor para manejar la naturaleza compleja, visual y colaborativa de la ciencia real. Sin embargo, los autores advierten cuidadosamente que, aunque el sistema funciona bien para encontrar hechos en documentos, todavía tiene dificultades cuando se le pide comparar información entre muchas fuentes diferentes o cuando la "memoria" se llena demasiado. No han demostrado que sea perfecto todavía; simplemente han mostrado que es un paso prometedor hacia una IA que respeta la privacidad y ayuda a los equipos a mantener segura su sabiduría colectiva.

La Gran Actualización: De un Robot Torpe a un Compañero de Laboratorio Inteligente

Entonces, ¿qué hizo exactamente el equipo con AquiLLM? Piensa en el sistema original como un robot útil pero algo torpe. Podía hablar, pero era lento, no podía ver imágenes y a veces olvidaba lo que le habías dicho hace cinco minutos. La nueva versión es como darle a ese robot un trasplante de cerebro, nuevos ojos y un cuaderno personal.

1. El "Cerebro Local" y la "Biblioteca Local"
El mayor cambio es que todo sucede directamente en las propias computadoras del grupo. El equipo reemplazó la necesidad de servicios comerciales externos costosos con modelos de pesos abiertos. Imagina que, en lugar de llamar a un consultor famoso y caro para resolver un problema, tienes a un tutor local brillante que vive en tu casa. Este tutor (el modelo de IA) es gratuito y tú eres el dueño de todas las notas que toma. El equipo eligió específicamente modelos como Qwen3.6-27B para charlar y Qwen3-VL para ver imágenes. También sustituyeron las herramientas de búsqueda externas por locales, lo que significa que la parte del "motor de búsqueda" de la IA también vive en el sótano del grupo, no en una nube corporativa. Esto mantiene los datos sensibles, como investigaciones no publicadas o notas privadas, completamente fuera de internet.

2. Dándole "Ojos" a la IA (Capacidades Multimodales)
La ciencia no es solo palabras; se trata de gráficos, fotos de estrellas y diagramas. El sistema antiguo tenía problemas con esto. El nuevo AquiLLM ahora puede "ver". Utiliza un modelo multimodal que puede mirar la imagen de un gráfico, entender qué significan las líneas y hablar de ello tal como lo haría un humano. Es como pasar de un robot que solo puede leer un menú a uno que puede mirar la comida en el plato y decirte cómo sabe. Esto es enorme para los investigadores que necesitan discutir figuras de sus artículos sin tener que describir cada píxel en texto.

3. La "Memoria Personal" frente al "Cuaderno Compartido"
Una de las nuevas funciones más geniales es una capa de memoria. Imagina que tienes una conversación con un amigo. No quieres volver a explicar toda la historia de tu vida cada vez que dices "hola". El nuevo sistema tiene dos tipos de memoria:

• Hechos Estables: Esto es como una tarjeta de identidad permanente. Recuerda tu nombre, tu tema de investigación favorito y tu tono.
• Memoria Episódica: Esto es como un diario de tus charlas recientes. Si ayer preguntaste sobre un cúmulo de estrellas específico, la IA recuerda ese contexto hoy.
  Crucialmente, esta memoria es privada para el usuario y el proyecto. No se mezcla con los datos de los demás. El artículo señala que esta memoria es opcional y debe activarse, porque almacenar demasiado puede volverse caótico. Si la memoria falla, el sistema simplemente recurre a los documentos, por lo que no rompe toda la conversación.

4. "Habilidades" y "Paquetes de Habilidades"
Esta es una forma ingeniosa de enseñar a la IA cómo trabaja un equipo específico. Imagina que un nuevo pasante se une a un laboratorio. Necesita conocer las reglas específicas: "Siempre grafica los datos en azul" o "Revisa esta lista de verificación antes de realizar el experimento". En el nuevo sistema, estas reglas se agrupan en Habilidades. Cuando un investigador inicia un chat sobre un proyecto específico, la IA carga automáticamente el "Paquete de Habilidades" de ese proyecto. Es como si la IA se pusiera un sombrero diferente dependiendo de con qué equipo esté hablando. Un equipo de espectroscopia recibe un conjunto de instrucciones y un equipo de fotometría recibe otro, todo sin que la IA se confunda.

5. El "Bibliotecario Inteligente" (Empaquetado de Contexto)
La IA tiene un límite en cuánto puede leer a la vez (su "ventana de contexto"). Si le das una biblioteca entera, podría sentirse abrumada. El equipo añadió un sistema de empaquetado de contexto consciente de la saliencia. Piensa en esto como un bibliotecario súper eficiente que sabe exactamente qué páginas de un libro son más importantes para la pregunta que estás haciendo. En lugar de simplemente cortar el final del libro de forma aleatoria, el sistema clasifica la información: "Esta frase es crítica", "Esta imagen es relevante", "Este viejo mensaje de chat puede resumirse". Utiliza una herramienta llamada LLMLingua-2 para reducir el texto sin perder el significado, permitiendo que la IA quepa más información importante en su cerebro sin colapsar.

El Choque de Realidad: ¿Qué sigue siendo Difícil?

Los autores son muy honestos sobre lo que este sistema no puede hacer todavía. No pretenden que sea una varita mágica.

• Es un Híbrido: El sistema es todavía una mezcla de código antiguo y nuevo. Algunas partes funcionan perfectamente en computadoras locales, mientras que otras todavía están configuradas para la nube. Esto puede causar algunos fallos extraños, como que el sistema se comporte de manera diferente dependiendo de en qué "modo" se encuentre.
• Retraso de Memoria: Debido a que las actualizaciones de la memoria ocurren en segundo plano (para mantener la charla rápida), hay un pequeño retraso. Si haces una pregunta justo después de decirle algo nuevo a la IA, es posible que aún no lo haya "escuchado".
• La Prueba del "Conocimiento Tácito": El equipo probó el sistema con documentos formales como artículos de astronomía, y funcionó bien. Pero admiten que aún no lo han probado completamente con las cosas más desordenadas, como mensajes de Slack, actas de reuniones o comentarios de código. Sugieren que capturar este tipo de conocimiento informal y "tácito" es el próximo gran desafío.
• Velocidad frente a Inteligencia: El sistema es rápido, pero a veces tiene que elegir entre velocidad y precisión. Si la computadora se queda sin memoria (VRAM), tiene que ralentizarse o descartar cierta información.

La Conclusión

AquiLLM es un paso significativo hacia adelante para la investigación científica. Se aleja de la idea de que la IA debe ser una caja negra propiedad de una corporación y la devuelve a las manos de los investigadores. Al hacer que el sistema sea local, multimodal y consciente de la memoria, respeta la privacidad y el flujo de trabajo de la ciencia. El artículo sugiere que, aunque no es perfecto, es una herramienta poderosa para mantener intacto el cerebro colectivo de un grupo de investigación, incluso cuando los miembros van y vienen. No es un problema resuelto, pero es un prototipo muy prometedor para el futuro de la ciencia colaborativa.