Estructuras de datos que representan conocimiento como redes de entidades y relaciones, permitiendo razonamiento, descubrimiento de conexiones y consultas semánticas sobre dominios complejos.
Un grafo de conocimiento es una estructura que representa información como una red de entidades (nodos) conectadas por relaciones (aristas). A diferencia de una base de datos tabular, un grafo captura naturalmente las conexiones entre conceptos, permitiendo descubrir relaciones implícitas y razonar sobre dominios complejos.
Este sitio usa un grafo de conocimiento: cada concepto es un nodo, y las relaciones entre conceptos son aristas que forman una red navegable.
(Entidad) --[Relación]--> (Entidad)
(Git) --[es base de]--> (GitHub)
(GitHub) --[tiene feature]--> (GitHub Actions)
(GitHub Actions) --[implementa]--> (CI/CD)
La unidad fundamental es la tripleta: sujeto → predicado → objeto.
(LLM) --[usa]--> (Transformer)
(RAG) --[reduce]--> (Alucinaciones)
(MCP) --[estandariza]--> (Tool Use)
Combinar grafos de conocimiento con RAG:
Usar el grafo como fuente de verdad para reducir alucinaciones.
Encontrar conexiones no obvias entre conceptos — exactamente lo que hace la página /graph de este sitio.
| Herramienta | Tipo |
|---|---|
| Neo4j | Base de datos de grafos |
| Amazon Neptune | Grafo managed en AWS |
| NetworkX | Biblioteca Python para grafos |
| D3.js / vis.js | Visualización de grafos |
Los knowledge graphs representan información como entidades y relaciones, lo que permite descubrir conexiones que no son evidentes en datos tabulares. Son la base de sistemas de recomendación, búsqueda semántica y bases de conocimiento como la que impulsa este sitio.
Técnica de recuperación de información que utiliza embeddings vectoriales para encontrar resultados por significado, no solo por coincidencia exacta de palabras clave.
Campo de la informática dedicado a crear sistemas capaces de realizar tareas que normalmente requieren inteligencia humana, desde el razonamiento y la percepción hasta la generación de lenguaje.
Diseño de arquitectura para escalar un segundo cerebro personal a un sistema de producción con AWS serverless — desde el prototipo actual hasta casos de uso especializados en legal, investigación y comunidad.
Crónica de construir un segundo cerebro con grafo de conocimiento, pipeline bilingüe y endpoints para agentes — en días, no semanas, y lo que eso enseña sobre la brecha entre teoría y sistemas que funcionan.
Backend serverless de producción para un grafo de conocimiento personal — DynamoDB, Lambda, Bedrock, MCP, Step Functions. La implementación de la arquitectura descrita en el ensayo «Del prototipo a producción».