Context Manager

Sistema local de gestión de contexto para IA, agnóstico al modelo.

Características

• Log inmutable: Tabla de referencia no editable con encadenamiento de hashes (blockchain-style)
• Gestor de contexto mejorable: Algoritmos versionados y configurables
• Agnóstico al modelo: Soporta Anthropic, OpenAI, Ollama y cualquier otro proveedor
• Sistema de métricas: Evaluación continua del rendimiento
• A/B Testing: Experimentación entre versiones de algoritmos
• Auto-mejora: Sugerencias automáticas basadas en métricas

Arquitectura

┌─────────────────────────────────────────────────────────────────┐
│                    TABLAS NO EDITABLES                          │
│  ┌─────────────────┐                                            │
│  │  immutable_log  │  ← Log de mensajes (blockchain-style)      │
│  │  sessions       │  ← Registro de sesiones                    │
│  └─────────────────┘                                            │
├─────────────────────────────────────────────────────────────────┤
│                    TABLAS EDITABLES                             │
│  ┌─────────────────┐  ┌─────────────────┐  ┌─────────────────┐ │
│  │ context_blocks  │  │    memory       │  │ knowledge_base  │ │
│  │ (bloques ctx)   │  │ (memoria LP)    │  │ (RAG simple)    │ │
│  └─────────────────┘  └─────────────────┘  └─────────────────┘ │
│  ┌─────────────────┐  ┌─────────────────┐                      │
│  │   algorithms    │  │    metrics      │                      │
│  │ (versionados)   │  │ (rendimiento)   │                      │
│  └─────────────────┘  └─────────────────┘                      │
└─────────────────────────────────────────────────────────────────┘

Instalación

# Clonar
git clone <repo>/context-manager
cd context-manager

# Instalar dependencias
pip install -r requirements.txt

# Inicializar base de datos
python -m src.cli init --database context_manager

Uso básico

CLI

# Chat interactivo con Anthropic
python -m src.cli chat --provider anthropic --model claude-sonnet-4-20250514

# Chat con Ollama (local)
python -m src.cli chat --provider ollama --model llama3

# Analizar rendimiento del algoritmo
python -m src.cli analyze --days 30

# Sugerir mejoras
python -m src.cli suggest --apply

# Verificar integridad de sesión
python -m src.cli verify <session_id>

Python API

from src import ContextManager
from src.providers import AnthropicProvider

# Inicializar
manager = ContextManager(
    host="localhost",
    database="context_manager"
)

# Iniciar sesión
session = manager.start_session(
    user_id="user1",
    model_provider="anthropic",
    model_name="claude-sonnet-4-20250514"
)

# Obtener contexto para un mensaje
context = manager.get_context_for_message(
    "¿Cómo configuro el servidor?",
    max_tokens=4000
)

# Usar con proveedor
provider = AnthropicProvider()
response = provider.send_message("¿Cómo configuro el servidor?", context)

# Registrar en log inmutable
manager.log_user_message("¿Cómo configuro el servidor?", context)
manager.log_assistant_message(
    response.content,
    tokens_input=response.tokens_input,
    tokens_output=response.tokens_output
)

# Verificar integridad
result = manager.verify_session_integrity()
assert result["is_valid"]

Mejora de algoritmos

from src.algorithm_improver import AlgorithmImprover

improver = AlgorithmImprover(db)

# Analizar rendimiento
analysis = improver.analyze_algorithm(days=30)
print(f"Calidad promedio: {analysis.avg_quality}")
print(f"Sugerencias: {analysis.suggestions}")

# Crear experimento A/B
experiment_id = improver.create_experiment(
    control_id=current_algorithm_id,
    treatment_id=new_algorithm_id,
    name="Test nuevo algoritmo",
    traffic_split=0.5,
    min_samples=100
)

# Evaluar resultados
result = improver.evaluate_experiment(experiment_id)
print(f"Ganador: {result.winner}")
print(f"Mejora: {result.improvement_pct}%")

Estructura de archivos

context-manager/
├── schemas/
│   ├── 00_base.sql              # Tipos y funciones base
│   ├── 01_immutable_log.sql     # Log inmutable (NO editable)
│   ├── 02_context_manager.sql   # Bloques, memoria, conocimiento
│   └── 03_algorithm_engine.sql  # Algoritmos y métricas
├── src/
│   ├── __init__.py
│   ├── models.py                # Modelos de datos
│   ├── database.py              # Conexión PostgreSQL
│   ├── context_selector.py      # Motor de selección
│   ├── algorithm_improver.py    # Sistema de mejora
│   ├── cli.py                   # Interfaz de línea de comandos
│   └── providers/
│       ├── base.py              # Clase base
│       ├── anthropic.py         # Adaptador Anthropic
│       ├── openai.py            # Adaptador OpenAI
│       └── ollama.py            # Adaptador Ollama
├── config/
│   └── default.yaml             # Configuración por defecto
├── tests/
├── requirements.txt
└── README.md

Configuración del algoritmo

{
    "max_tokens": 4000,
    "sources": {
        "system_prompts": true,
        "context_blocks": true,
        "memory": true,
        "knowledge": true,
        "history": true,
        "ambient": true
    },
    "weights": {
        "priority": 0.4,
        "relevance": 0.3,
        "recency": 0.2,
        "frequency": 0.1
    },
    "history_config": {
        "max_messages": 20,
        "summarize_after": 10,
        "include_system": false
    },
    "memory_config": {
        "max_items": 15,
        "min_importance": 30
    },
    "knowledge_config": {
        "max_items": 5,
        "require_keyword_match": true
    }
}

Integridad del log

El log inmutable usa encadenamiento de hashes similar a blockchain:

Mensaje 1 → hash1 = SHA256(content1)
Mensaje 2 → hash2 = SHA256(hash1 + content2)
Mensaje 3 → hash3 = SHA256(hash2 + content3)

Verificar integridad:

SELECT * FROM verify_chain_integrity('session-uuid');

Variables de entorno

PGHOST=localhost
PGPORT=5432
PGDATABASE=context_manager
PGUSER=postgres
PGPASSWORD=

ANTHROPIC_API_KEY=sk-ant-...
OPENAI_API_KEY=sk-...
OLLAMA_HOST=localhost
OLLAMA_PORT=11434

Licencia

MIT