Terengue

Inspiración

En cualquier equipo, las políticas y los procedimientos viven repartidos entre PDFs, hojas de cálculo, notas y repositorios, y a veces dicen cosas incompatibles. Una regla exige aprobación para todo gasto desde USD 100; otra exime los gastos menores de USD 200. ¿Qué pasa con una compra de USD 150?

Un asistente de IA corriente respondería con seguridad y elegiría una de las dos. Nosotros queríamos lo contrario: una herramienta que muestre los dos lados con su evidencia, que distinga lo que dicen las fuentes de lo que deduce, y que reconozca cuándo no sabe. De ahí nace Terengue y su lema: Sé más inteligente.

Qué hace

Terengue es un segundo cerebro para equipos (reto 07, «Second Brain»):

Espacios compartidos con roles de administrador, editor y lector, y conocimiento aislado por espacio.
Biblioteca de documentos con estados honestos: un archivo guardado no se presenta como indexado.
Respuestas con evidencia: cada afirmación se etiqueta como respaldada, inferida o incierta, con cita a la página, línea, campo o celda exactos.
Posibles contradicciones con ambas afirmaciones, su contexto y sin ganador automático.
Grafo de documentos y conceptos, e interfaz en español e inglés.

Cómo lo construimos

Núcleo en Pure BoxLang, reutilizable e independiente de la interfaz, con BoxLang AI para embeddings, recuperación y respuestas.
PostgreSQL con pgvector como única base: cuentas, metadatos y vectores, sin base vectorial ni de grafos adicional.
Next.js y TypeScript para la web, que solo delega en BoxLang; la lógica de negocio y los permisos viven en el backend.
Docker Compose para todo, sin instalar runtimes en el equipo.

Trabajamos con un plan de diez fases (00–09), cada una con pruebas de cierre y una matriz de requisitos verificables. Dividimos el trabajo en tres roles en paralelo —plataforma y seguridad, núcleo de conocimiento y web— unidos por contratos explícitos.

Una decisión de diseño atraviesa todo el proyecto: las ubicaciones de las citas salen de la extracción del documento, nunca del modelo, y el filtro por espacio se aplica antes de recuperar, no después. Así, un fragmento de otro espacio no llega jamás al contexto del proveedor, por parecido que sea.

Retos

Citas precisas en ocho formatos. Extraer texto es fácil; conservar página, línea, ruta JSON o celda no lo es. Para DOCX y XLSX no había un loader disponible que preservara coordenadas y tuvimos que leer el OOXML directamente.
Presupuesto con concurrencia. El límite de USD 20 diarios exige reservar el coste antes de cada llamada y conciliarlo después, para que dos operaciones simultáneas no gasten el mismo saldo.
Trabajo en paralelo. La pantalla de biblioteca se construyó antes que su backend, contra un contrato y un doble de pruebas. Al comparar ramas descubrimos que el backend y la web usaban vocabularios distintos para los estados de un documento.
Honestidad como requisito. Distinguir un fallo del documento de un presupuesto agotado o de un proveedor caído obliga a clasificar cada error, no a mostrar un genérico «algo salió mal».

Qué aprendimos

Que validar la viabilidad antes de diseñar tablas ahorra reescrituras: varias capacidades que dábamos por hechas no existían tal como las imaginábamos.
Que una métrica global no basta. Nuestra suite de aceptación exige $\frac{18}{20} = 90\,\%$ de casos correctos, pero cero fallos de abstención y cero falsos conflictos: una media favorable no compensa una cita inventada.
Que «no lo sé» es una respuesta válida, y a menudo la más útil.

Estado actual y próximos pasos

Hoy funcionan las cuentas, los espacios con roles y la biblioteca de documentos, junto con el control de presupuesto de IA. El chat con citas, la detección de contradicciones y el grafo están especificados y planificados, y son lo siguiente en construirse.