Hipocampo Protocol v3.8 — SSC + Checkpointing

Sistema de memoria externa persistente con Sparse Selective Caching (inspirado en "Memory Caching: RNNs with Growing Memory", Google 2025).

📚 Estructura

hipocampo_db (PostgreSQL 17 + pgvector + pg_trgm)
├── 🧠 memoria_vectorial (recuerdos técnicos, embedding 1024d)
│   └── contenido, metadatos (jsonb), embedding (HNSW), code_snippet
├── 🤖 memory_items (perfil, embedding 1024d)
│   └── memory_type (profile|event|decision), summary, extra, categories
├── 🏷️ memory_categories (10 categorías)
├── 🔗 category_items (M:N)
└── 📎 resources

🔍 Fase 1: Pre-actuación — Buscar con SSC

Usar el script hipocampo_ssc_search.py:

python3 scripts/hipocampo_ssc_search.py "término"
python3 scripts/hipocampo_ssc_search.py "término" 5

Pipeline SSC (4 fases, escala progresiva)

Fase 1 TAG ROUTER → clasifica consulta (perfil/técnico/mixto)
Fase 2 PGVECTOR  → top-20 semántico en AMBAS tablas ← 70%+ confianza: para aquí
Fase 3 TRIGRAM    → expande con GIN si confianza < 70%
Fase 4 ILIKE      → full scan solo si confianza < 40%

⚙️ Fase 2: Persistencia

🕒 Fase 3: Checkpointing (Mantenimiento)

python3 scripts/hipocampo_checkpoint.py --dry-run
python3 scripts/hipocampo_checkpoint.py --force

✅ Reglas Operativas

1. Familia → usar profile_hipocampo() con memory_type='profile', categoría relationships. NUNCA event.
2. Auto-tagging obligatorio en todo memory_items nuevo.
3. SSC preferido sobre ILIKE para búsquedas.
4. memory_items y resources son solo lectura (plugin episodic-memory MCP).
5. PostgreSQL usa socket Unix (/var/run/postgresql), usuario local, sin contraseña.
6. Embeddings: 1024d vía NVIDIA NIM (nvidia/nv-embedqa-e5-v5).

Categorías Soportadas

personal_info, relationships, preferences, habits, goals, knowledge, opinions, work_life, activities, experiences

🔌 MCP Server (11 tools)

Transportes: stdio (local) · --http <puerto> (Streamable HTTP, recomendado) · --sse <puerto> (legacy, deprecado)
Streamable HTTP reemplaza a SSE desde MCP spec 2025-03-26. Usa un solo endpoint /mcp.