Un motor de conocimiento Web a MCP: registros de fuentes, dos revisores y mecanismos de privacidad.

Los investigadores que estudian la literatura especializada, los pacientes que comparan los nuevos estudios con sus propios registros médicos, y los coordinadores de apoyo a personas con discapacidad o cuidadores que siguen la rápida evolución de las políticas tienen una tarea diaria en común: necesitan saber qué cambió, cuándo ocurrió y quién lo anunció, y preferirían no tener que buscar en Internet cada mañana para averiguarlo. Las herramientas habituales resultan insuficientes. Las alertas por palabras clave tratan un blog de un proveedor y una enmienda legal oficial como si fueran lo mismo, no recuerdan nada más allá de los mensajes recibidos y no pueden acceder a registros privados. Los chatbots con función de búsqueda resumen lo que obtuvo la mayor posición esa mañana, se basan en la jerarquía obsoleta incluida en sus datos de entrenamiento, olvidan los documentos del día anterior y, a veces, omiten o inventan fechas y hechos.

Una de las soluciones es un sistema al que los profesionales denominan análisis de horizonte. Funciona como una base de conocimientos creada a partir de la web, un resumen diario y un servidor consultable que utiliza el Protocolo de Contexto del Modelo (MCP). Solo recopila información de fuentes confiables revisadas por humanos, respeta las suscripciones y licencias, y mantiene un almacén que crece con cada ejecución programada. Cuando la evidencia para un día determinado es escasa, un crítico puede decidir no publicar nada, dejando solo un registro de la ejecución que explica el motivo. Este almacén sobrevive a cualquier edición concreta y puede consultarse en cualquier momento desde un ángulo elegido, comparándolo con los datos propios del usuario, siempre bajo una barrera de privacidad local. El contexto del usuario se suma a la conversación, pero nunca se carga en el almacén. Dado que los detalles personales, clínicos y de casos nunca ingresan en él, este sistema cumple con la Ley de Privacidad de Australia de 1988 (Cth), mientras que el almacén público sigue siendo compartible con todos en el campo.

La primera implementación hace un seguimiento de las reglas y precios del Plan Nacional de Seguro de Discapacidad de Australia (NDIS); en este contexto, una fecha de inicio incorrecta o un tope de precios puede perjudicar a las personas. Un programador dispara la acción a las 06:00, hora de Sídney. El equipo editorial publica o retiene el informe y registra siempre una razón específica en un registro de ejecución, mientras que el sistema sigue creciendo sin cesar. El informe llega a un canal de Slack, donde las personas pueden consultar la base de conocimientos etiquetando a Claude, quien a su vez llama al servidor MCP. Por ejemplo, el informe de una semana indicó que los datos de los participantes podrían haber llegado a la plataforma de análisis de Palantir, junto con una resolución de la Comisión de Trabajo Justo sobre un despido por incumplimiento del Código de Conducta del NDIS.

Las fechas y enlaces de cada edición se obtienen de datos almacenados, y cualquier cita debe coincidir con un pasaje que el sistema haya conservado. Este registro está basado en NDIS, pero al intercambiar las filas se puede utilizar la misma estructura para seguir un campo de investigación, una condición de salud o un organismo regulador.

Colección impulsada por un registro de fuentes

La recopilación está guiada por un registro de fuentes, que es una tabla de configuración de puntos finales monitoreados, y no por lo que un motor de búsqueda considere más importante. Cada fila describe una fuente según un esquema fijo: nombre del editor, método de acceso, frecuencia de consulta, nivel de autoridad, restricciones de reutilización, términos y reglas de licenciamiento para extraer fechas.

Existen cuatro niveles de autoridad:

• T1 abarca los registros principales de un campo, como la legislación, las fuentes de sentencias oficiales o los índices de citaciones.
• T2 abarca a los organismos gubernamentales oficiales y a los reguladores.

T3 abarca organismos de élite y asociaciones profesionales.

T4 incluye medios confiables y comentarios.

Cada fila también contiene una de las tres restricciones de reutilización para garantizar el respeto a los términos del editor:

• REUSE_OK significa que se puede almacenar el texto completo porque una licencia abierta lo permite.
• LINK_SUMMARISE_ONLY implica que solo se conservará un hipervínculo y un extracto breve.
• NO_BULK elimina el punto de acceso de la recuperación automática y lo envía para revisión manual.

Además, las filas registran información obtenida sobre el sitio anfitrión, como retrasos en el rastreo o límites para las páginas principales, por ejemplo, menos de tres artículos con fecha. Sin esas notas, una fila es un marcador estático que un recopilador no puede utilizar con seguridad.

La misma estructura de registro se aplica a otros campos:

• Para la investigación científica, las filas T1 apuntan a índices de citaciones como MEDLINE, Crossref y OpenAlex, combinados con repositorios de texto completo de acceso abierto y fuentes de revistas configuradas para mostrar únicamente resúmenes o enlaces.
• Para la gestión de la salud personal, las filas apuntan a las pautas oficiales de práctica para una condición determinada y a la información sobre productos médicos proporcionada por la autoridad reguladora, además de fuentes clínicas verificadas.
• Para el seguimiento legal y judicial, la fila principal T1 sigue la fuente oficial de sentencias del tribunal.

Un canal de investigación dinámico complementa la lista fija para que la base de datos no se vuelva obsoleta. Cada mañana realiza un número limitado de búsquedas dirigidas en una lista secundaria de fuentes, restringidas por límites de palabras, un pequeño número de intentos de captura por fuente y un presupuesto total de páginas por ejecución. Para garantizar la precisión temporal, cualquier página sin fecha de publicación verificable o con una fecha futura es descartada automáticamente. Las consultas abiertas con fechas de cierre son la única excepción: permanecen en una lista de seguimiento, se recuperan nuevamente cada día y se marcan como problemas en curso. Las páginas de hosts que no figuran en la lista reciben un nivel de autoridad bajo, por lo que los comentarios externos se identifican tal como son.

Leer directamente los registros de primer nivel

Cada campo cuenta con una fuente principal que tiene prioridad sobre las demás, ya sea un registro legislativo, un índice de citas primarias o una fuente judicial. El sistema de recopilación accede a estas fuentes a través de APIs estructuradas. Por ejemplo, el pipeline de NDIS obtiene la legislación primaria desde la API OData del Registro Federal de Legislación. Prefiere archivos EPUB estructurados a los PDF y realiza una verificación diaria de cambios para identificar lo nuevo, utilizando un cursor persistente. Los textos legislativos extensos se dividen en fragmentos de 60,000 caracteres y se extraen poco a poco para no superar los límites del modelo.

Identificadores explícitos permiten distinguir un cambio legal real de una reindexación rutinaria:

• Los instrumentos recién promulgados son leyes aprobadas recientemente por el Parlamento, y generan notificaciones de cambios activos.

Las compilaciones son textos maestros consolidados que incluyen las modificaciones anteriores. El planificador de ingesta los marca como referencia de fondo, por lo que la reindexación rutinaria nunca genera alertas falsas de cambios.

Ingesta independiente de la publicación

Los archivos en bruto se hashean con SHA-256 y se escriben en Postgres antes de que comience cualquier síntesis, de modo que el almacenamiento crece en cada ejecución independientemente de si se publica una edición o no. El estado de publicación se fija de manera determinística mediante una restricción UNIQUE(briefing_date, channel) que almacena la carga serializada y su hash JSON. Si una ejecución falla o la entrega al canal no tiene éxito, la siguiente ejecución encuentra la reserva pendiente y publica la carga congelada en su lugar, en vez de escribir nuevo texto.

Tres tipos de procesamiento dejan diferentes huellas:

• En una mañana tranquila sin nuevos datos, los documentos se marcan como evaluados en una sola transacción y se retiran.
• En una mañana en la que se rechaza el borrador por parte de un crítico, no se registra ninguna fila de evaluación y los documentos vuelven a la cola del día siguiente.
• En una mañana en la que se publica, los documentos citados se marcan como procesados y retirados.

Al conservar los datos originales se logra una trazabilidad temporal estricta. Una pregunta hecha en marzo sobre lo que se sabía en enero recibe respuesta únicamente a partir de los textos conservados en enero, sin ser modificados por ediciones posteriores en la versión en línea.

El equipo editorial

Para evitar alucinaciones, la redacción sigue una regla estricta: el modelo nunca maneja directamente hechos verificados.

El código elimina todas las fechas y URLs literales de un paquete de pruebas antes de que llegue al redactor. Las verificaciones de patrones deterministas rechazan cualquier borrador que indique un estado legal u operativo, como en vigor o iniciado. Las fechas verificadas solo se incluyen después de que se acepte un borrador, volviéndose a adjuntar desde los campos de la base de datos para que su origen permanezca en el texto. Esta regla es útil en todos los dominios mencionados: los tamaños de las muestras, las estimaciones de efecto y las dosis de medicación permanecen vinculados a los registros de la base de datos y fuera de la memoria paramétrica del modelo.

El equipo sigue un flujo de trabajo determinista y multietapa:

1. Planificación y exclusión. Un planificador asigna cada documento a un caso o registra una razón explícita para excluirlo, como ser una prueba duplicada, irrelevante o insuficiente.

Redacción y validación. El redactor elabora un resumen conciso, con un límite de menos de 400 palabras y una restricción estricta en las citas. Un validador determinista verifica cada referencia antes de que un crítico lea cualquier contenido.

Evaluación por dos críticos. El primer crítico puede aprobar, rechazar o solicitar una sola revisión específica. Luego, un segundo crítico que no tiene información previa evalúa de forma independiente, limitándose a cuestiones pendientes relacionadas con fechas o estado. Un rechazo por parte de cualquiera de ellos impide la publicación de la edición.

Presentación con información de origen. Antes de publicar cualquier contenido, el responsable de la presentación obtiene las fechas verificadas y los enlaces desde el almacén e incluye ellos en el texto.

Los esquemas JSON, los validadores deterministas, dos críticos y un renderizador definen el contrato. El texto público puede procesarse con inferencia alojada en cualquier lugar, pero los almacenes que contienen información sanitaria privada o investigaciones no publicadas deben realizar la inferencia dentro de límites soberanos locales.

Consultas a través de MCP y unión de contexto privado por sesión

Un servidor de solo lectura que implementa el Model Context Protocol expone el almacén persistente a través de tres herramientas: search_knowledge_base, get_document y list_changes. Para garantizar la integridad factual, los extractos de búsqueda generados en el lado del servidor deben terminar en los límites entre palabras. Un pasaje cortado a mitad de palabra puede llevar a que un modelo generativo complete el texto faltante de manera plausible en la capa de presentación, un riesgo que no se puede tolerar en el caso de dosis medicamentosas o límites legales.

La evidencia pública es idéntica para todos en un mismo campo, pero cada usuario llega con un contexto privado. Un equipo de cumplimiento desea que se evalúe una nueva regla en relación con la política interna, mientras que un clínico quiere consultar investigaciones actualizadas teniendo en cuenta el historial de un paciente específico. Mezclar la evidencia pública con registros locales sensibles en una sola base de datos generaría graves problemas relacionados con el rastreo de los datos y la privacidad.

Por lo tanto, la arquitectura separa el almacenamiento público del contexto privado. Los datos personales y clínicos sensibles permanecen dentro de entornos locales autenticados, tras una estricta barrera de confianza. Los hechos públicos verificados provienen del servidor MCP de solo lectura a petición, y el asistente los combina con los registros locales únicamente dentro de la sesión actual del usuario. El contexto privado nunca ingresa al almacenamiento compartido, lo que permite que la base de datos pública sea accesible para muchos usuarios.

Por qué la búsqueda abierta y la recuperación simple no son suficientes

Dirigir a un agente autónomo directamente hacia la búsqueda en la web abierta o hacia un conector RAG estándar no cumple con los requisitos de confianza en campos de alta importancia. La búsqueda en tiempo real ignora las restricciones de reutilización por parte de los editores, no conserva ninguna huella hashable de origen que un auditor pueda inspeccionar, y no puede indicar qué cambios han tenido lugar desde ayer. Cuando se le plantean preguntas fuera de su alcance indexado, un asistente sin base sólida tiende a adivinar o completar hechos de forma truncada, y los errores se transmiten al análisis posterior.

Ese mismo diseño se aplica en varios contextos:

• En el caso del NDIS y el sector de discapacidad en general, los cambios legales y en las tarifas constituyen el marco de la política pública, mientras que los presupuestos de los planes de los participantes y las notas del caso solo se alinean con él durante una sesión en tiempo real.

En la investigación científica, los índices de citaciones primarias y los repositorios de acceso abierto rastrean la literatura publicada, mientras que los hallazgos de laboratorio no publicados permanecen aislados.

En la gestión de la salud, las directrices de las autoridades clínicas y los datos regulatorios sobre medicamentos proporcionan evidencia pública verificada, y los registros diagnósticos y médicos siguen siendo privados y se mantienen a nivel local.

En el cumplimiento legal y regulatorio, los registros legislativos y las fuentes de sentencias judiciales establecen la línea de base pública, mientras que los manuales de políticas internas quedan protegidos mediante autenticación local.

Dejar la precisión factual en manos de un modelo de lenguaje sin fundamentos es arriesgado. Un registro de fuentes estructurado, una base de datos que persiste primero, un equipo editorial formado por dos críticos y un servidor MCP de solo lectura que opera detrás del asistente, convierten las actualizaciones efímeras de la web en una base de conocimientos autoritativa, que protege la privacidad y es fiable.