Cómo funciona AI OS

Cinco fuentes de datos externas alimentan un pipeline de enriquecimiento. El flujo procesado pasa a través de un enrutador LLM y un almacén RAG vectorial antes de llegar a tres consumidores: el portal público, el panel de administración y el servidor MCP.

Cada tarea se clasifica primero por tipo, luego se envía al backend que maximiza la calidad por unidad de costo y latencia. Los borradores rápidos van a Groq; extracción estructurada y razonamiento a OpenAI; trabajos por lotes a Runpod; embeddings y trabajo de nivel gratuito a Ollama.

Tabla de despacho de tareas → backend

Fórmula de optimización de costos

cost(task, backend)    = price_per_token × estimated_tokens(task)
latency(task, backend) = base_latency + tokens / throughput
quality(task, backend) = exam_score(backend, task_type)

route(task) = argmax( quality / (cost × √latency) )

Cada cron de enriquecimiento se compara con su intervalo esperado y un SLA estricto. La salud se degrada a través de tres zonas a medida que crece el tiempo transcurrido — OK → degradado → crítico.

health(cron) =
  1   if last_run_age < 1.5 × expected_interval   → OK
  0.5 if last_run_age < SLA                        → degraded
  0   otherwise                                     → critical

El rendimiento del agente se mide en cinco ejes y se reduce a una única puntuación de efectividad E a través de una media ponderada por complejidad. Las tareas más pesadas contribuyen proporcionalmente más a la puntuación final.

E = Σ(wᵢ × scoreᵢ) / Σ(wᵢ)

where:
  wᵢ      = complexity weight of task i
  scoreᵢ  = outcome score (0 – 100)

Axes (5 dimensions):
  Speed    — task latency vs budget
  Cost     — tokens × price per token
  Quality  — exam score on task type
  Safety   — guardrail pass rate
  Learning — hint reuse in context pack

Cada consulta se incrusta en un vector de 768 dimensiones, se compara con fragmentos de LanceDB mediante similitud coseno, se reordena por decaimiento de actualidad y se empaqueta en la ventana de contexto del modelo.

query → embed(query) → cosine_similarity(query_vec, chunk_vecs)
      → top-K chunks → rerank by recency
      → context_pack → inject into prompt

GOGA clasifica el régimen de mercado actual a partir de señales en tiempo real y selecciona la estrategia de ejecución adecuada. Cada fila asigna una condición detectada a su conjunto de indicadores y la acción tomada.