Módulo VIII — datos, conocimiento y contexto

El módulo VIII es el data plane gobernado: construye bases de conocimiento y ejecuta RAG semántico sobre un índice vectorial intercambiable, gobierna cada recuperación por identidad, clasificación y residencia, y registra linaje append-only de lo que cruzó el perímetro y de lo que rechazó el residency gate, de modo que la residencia se demuestra en vez de limitarse a afirmarla. También aloja el registro de prompts versionado, la memoria de agentes gobernada y las políticas de contexto/compactación como datos — no como promesas.

Qué es

El módulo orquesta el data plane; no reimplementa a sus vecinos. Extrae contenido de conectores de datos de solo lectura, pasa cada cuerpo, plantilla de prompt y entrada de memoria por su propio mecanismo de expurgo antes de que nada se trocee (chunk), embeba, hashee o almacene, y luego gobierna la recuperación contra los grants que declara el módulo de identidad. El embedding se delega a una junta de modelo — el módulo nunca llama directamente a un proveedor — y el ranking se delega a una junta de índice vectorial, de modo que el contrato de gobierno es idéntico tanto si la recuperación corre in-process como contra un backend ANN externo.

La línea roja es innegociable: el producto gobierna los datos del cliente y nunca los vende ni los exfiltra. Los datos solo cruzan el perímetro por un cruce aprovisionado por el operador — un proveedor externo de embeddings o una salida SIEM/webhook — y el residency gate opera deny-closed para cualquier otro destino. Tres mecanismos lo dejan registrado en el diseño — expurgo antes de indexar, el egress gate y el linaje que evidencia qué cruces se produjeron.

Contrato y entidades

El módulo VIII declara ocho entidades con scope de tenant en el modelo de datos compartido: la base de conocimiento, el documento (metadatos y procedencia, nunca el cuerpo), el chunk (texto expurgado más una clasificación y ACL heredadas), el prompt y sus revisiones append-only inmutables, la memoria de agentes gobernada, la política de contexto/compactación, y la fila de linaje append-only. Sus rutas se montan bajo el namespace propio del módulo, envueltas con autenticación, scoping de tenant y autorización; leer conocimiento y linaje es una acción privilegiada y auditada.

La recuperación es el contrato de seguridad, y el orden es el contrato: resolver los grants de la identidad (fail-closed — un error del guard deniega, nunca un allow degradado), aplicar el residency gate, embeber la consulta, luego filtrar los candidatos por clasificación y ACL antes de rankear para que un chunk que la identidad no puede ver nunca entre en el conjunto rankeado, luego rankear, luego añadir la fila de linaje inmutable. El egress gate se compone encima: una base de conocimiento bloqueada por residencia rechaza el ingest o la recuperación con un embedder que produciría egress, aplicado en create, update, ingest y retrieval (defensa en profundidad). El contenido de documentos viaja por un contrato de conector tipado por diseño, no por el bus de eventos — los datos de referencia masivos no deben difundirse.

En el bus de eventos

El módulo VIII produce eventos finding.reported: un FindingReport hasheado por ingest cuando se expurga un secreto o PII, y un finding cuando un residency o egress gate deniega — solo detalle hasheado, nunca el secreto ni el cuerpo. La forensia y el compliance consumen el linaje y estos findings. No consume nada del bus para contenido: por diseño el contenido viaja por un contrato de pull tipado, así que minimal-data es una propiedad del cable, no un filtro en runtime aplicado a posteriori.

Límites honestos

• La calidad semántica depende de un embedder configurado. El embedder por defecto es local y zero-egress pero no semántico (un fallback determinista de feature-hash). La base de conocimiento registra su modelo de embed para que el fallback nunca se confunda con calidad semántica, y el binario avisa una vez cuando corre degradado. Un embedder respaldado por modelo lo configura el operador (OLIVARES_EMBEDDINGS_*); pon OLIVARES_EMBEDDINGS_REQUIRE=1 y el arranque se niega a iniciar en lugar de servir vectores léxicos como si fueran semánticos.
• La residencia es un egress gate fail-closed, no un ajuste de inferencia. Elegir una región de inferencia no satisface por sí mismo una base de conocimiento bloqueada por residencia — el embedder debe estar demostrablemente en-región, o el ingest y la recuperación se rechazan. Una identidad sin clearance o sin región se normaliza a public / no-region, nunca a un grant más amplio.
• El ranking por defecto es exacto e in-process (un escaneo lineal, adecuado para un nodo self-hosted o air-gapped hasta aproximadamente 10⁵ chunks por tenant). Un backend ANN externo se enchufa tras la junta de índice vectorial para escalar; un backend configurado-pero-caído deniega la petición, nunca cae en silencio a resultados distintos.
• El transporte en vivo de los conectores es un follow-up documentado. Los conectores hoy parsean el formato exportado nativo con fixtures tras una interfaz estable; sin un export configurado una fuente está simplemente vacía. El ingest es síncrono; el ingest asíncrono a gran escala es un follow-up.

Relacionado

• Catálogo de módulos — dónde se sitúa el módulo VIII y su estado de actuación honesto.
• Referencia del bus de eventos — el evento finding.reported y su payload.
• Resumen de arquitectura — el motor, las juntas y las capas.
• Conectar una fuente — registrar un conector de datos de solo lectura.
• Instalación air-gap — ejecutar el data plane con zero egress.
• Honestidad y límites — el contrato honesto a nivel de producto.