Metodología

Atlas no es un sistema diseñado para “responder preguntas” en el sentido habitual de los asistentes conversacionales generalistas. Su objetivo es explorar, organizar y clarificar el contenido de corpus textuales delimitados, manteniendo siempre una trazabilidad explícita entre lo que se dice y los textos de referencia.

Flujo operativo: recuperación y uso de fragmentos textuales

En Atlas, “recuperar fragmentos” significa seleccionar pasajes literales extraídos directamente del corpus o de los corpus seleccionados en función de la pregunta formulada por el usuario. Estos fragmentos no son resúmenes ni interpretaciones, sino textos literales que se ponen explícitamente a disposición del modelo como documentación contextual antes de generar la respuesta. Para lograr esto, Atlas utiliza la técnica de Retrieval Augmented Generation (RAG), que convierte cada corpus disponible en una base de datos vectorial consultable, facilitando la recuperación precisa y relevante de fragmentos textuales. De este modo, el modelo no responde desde sus pesos entrenados de forma general, sino a partir de esa documentación explícita, es decir, del texto fuente recuperado del corpus seleccionado. En la beta cerrada ordinaria el catálogo visible permite seleccionar Urantia, UCDM o ambos corpus; esa selección múltiple no equivale por sí sola a consulta comparada formal. Esta metodología restringe deliberadamente la inferencia libre, la interpretación implícita o la síntesis no apoyada en texto, garantizando así una mayor transparencia y trazabilidad en las respuestas generadas.

La consecuencia directa de este enfoque, que combina el uso de fragmentos literales con una gestión explícita y limitada del contexto, es la pérdida de la ilusión de conversación continua que ofrecen otros sistemas basados en LLM.

El sistema opera mediante modos de conversación, que no son estilos retóricos ni niveles de profundidad, sino marcos epistemológicos explícitos: cada modo determina qué tipo de operaciones conceptuales están permitidas, cuáles están restringidas y cómo deben presentarse los resultados.

El problema de la conversación en los LLM

En los sistemas de lenguaje actuales, es común que los usuarios esperen que el chat “recuerde” todo lo que se ha dicho y mantenga una continuidad fluida. Esta expectativa de memoria y coherencia a lo largo de la interacción puede llevar a confusiones sobre cómo realmente funcionan los modelos de lenguaje.

Cómo se construye la ilusión de conversación

Los modelos conversacionales logran esa sensación de continuidad reenviando en cada nuevo prompt toda la conversación previa, incluyendo preguntas y respuestas. Este proceso se repite hasta llenar la ventana de contexto disponible, lo que crea la ilusión de una memoria activa y una conversación coherente. La realidad es que el modelo no recuerda en absoluto. La operación para él comienza y termina en cada nueva interacción, sin retener información de las anteriores.

Decisión metodológica de Atlas

Atlas renuncia de forma deliberada a esta ilusión conversacional. Se establece una separación clara entre el registro histórico de la interacción y el contexto cognitivo activo que se utiliza para generar respuestas, evitando mezclar ambos para mantener la transparencia epistemológica.

Persistencia documental: guardar no es recordar

Las conversaciones se guardan como un registro consultable, pero no funcionan como memoria activa para el sistema. Esto significa que la información almacenada está disponible para revisión, pero no se incorpora automáticamente en la generación de nuevas respuestas.

Persistencia cognitiva: continuidad limitada y explicitable

Se introduce un nivel de persistencia cognitiva intencionalmente limitado y explícito. En la implementación actual, el contexto cognitivo activo incluye únicamente las dos últimas preguntas formuladas por el usuario.

No se incluyen:

• respuestas previas del sistema,
• fragmentos textuales recuperados anteriormente,
• ni turnos más antiguos del historial.

Esta decisión evita la acumulación implícita de supuestos, interpretaciones o conclusiones previas, y permite saber con exactitud qué información está influyendo en cada respuesta.

Ventana contextual limitada

La ventana contextual (ventana N) es deliberadamente pequeña. En el estado actual del sistema, N = 2, y se corresponde exclusivamente con los dos últimos turnos del usuario.

Esta ventana no crece dinámicamente ni incorpora respuestas del modelo. Su función no es “recordar la conversación”, sino permitir una continuidad mínima cuando una pregunta depende de la inmediatamente anterior.

Separación estricta de contextos

Se distingue claramente entre el historial completo de la conversación, el contexto RAG que se utiliza para la generación de respuestas, los corpus seleccionados y los fragmentos textuales extraídos de las fuentes. Esta separación evita confusiones y facilita la trazabilidad de la información.

Consecuencias prácticas para el usuario

El usuario debe ser consciente de que no existe una memoria implícita en Atlas. Cada pregunta se formula y responde como un acto autónomo dentro del contexto limitado, por lo que es importante proporcionar la información necesaria en cada interacción para obtener respuestas precisas.

Relación con los modos de conversación

Cada pregunta se entiende como un acto independiente dentro de un marco epistemológico explícito definido por los modos de conversación. Estos modos establecen las reglas y límites conceptuales que guían la interpretación y presentación de las respuestas.