Biohacker Root CLI v1.0

Protocolo de Soberanía Personal mediante RAG

BioHacker Root es un sistema de Generación Aumentada por Recuperación (RAG) diseñado para actuar como un instructor de neurociencia y optimización humana. A diferencia de los asistentes genéricos, Root utiliza un Manual de Operaciones curado para detectar fallas en el comportamiento (bugs) y proponer protocolos biológicos (patches) que permitan al usuario recuperar el mando de su propia biología.

Setup (Configuración)

1. Requisitos de Sistema

• Python: 3.10 o superior.
• Hardware: Conexión a internet para el razonamiento vía LLM.

2. Instalación

Cloná el repositorio y cargá las dependencias necesarias con el siguiente comando:

pip install -r requirements.txt

(Si utilizas uv: uv sync)

3. Configuración de API Key

El sistema requiere una clave de OpenAI para el procesamiento de lenguaje natural y la generación de embeddings. Debés exportarla en tu terminal:

En Linux/Mac:

export OPENAI_API_KEY="tu_clave_aqui"

En Windows (PowerShell):

$env:OPENAI_API_KEY="tu_clave_aqui"

Uso del Sistema

Paso 1: Indexación (Cargar el Cerebro)

Primero, debés procesar el manual para que el sistema pueda consultarlo. Esto generará una base de datos vectorial local en la carpeta db_biohacker/:

python src/build_index.py

Paso 2: Interfaz de Consulta

Iniciá el terminal interactivo de BioHacker Root:

uv run biohacker

Ejemplo de consulta:

"👤 [USUARIO] -> me cuesta concentrarme y siempre termino procrastinando."

Mantenimiento (Reset)

Si actualizás el manual.txt o querés limpiar la base de datos:

python reset_db.py  

---

Estructura del Proyecto

biohacker-rag/
├── data/               # Archivos fuente del manual (.txt)
├── db_biohacker/       # Base de datos vectorial persistida
├── outputs/            # Logs y salidas del sistema
├── src/                # Código fuente principal
│   ├── build_index.py  # Script de indexación
│   ├── evaluator.py    # Auditor de calidad RAG
│   ├── main.py         # Interfaz de usuario (CLI)
│   └── query.py        # Lógica de búsqueda y generación
├── .env                # Variables de entorno
├── pyproject.toml      # Configuración del proyecto
├── requirements.txt    # Dependencias del sistema
└── README.md           # Documentación del protocolo

Decisiones Técnicas

• Estrategia de Chunking: Se utilizó un enfoque de Secciones Semánticas. El manual no se divide por cantidad de caracteres, sino por unidades lógicas de conocimiento (Dopamina, SARA, Adenosina, etc.). Esto garantiza que el contexto recuperado sea siempre completo y científicamente coherente.
• Base de Datos Vectorial: Se implementó ChromaDB para la persistencia local. Este método permite encontrar el fundamento biológico correcto incluso cuando el usuario utiliza lenguaje coloquial para describir su problema.
• Prompt Engineering de Seguridad: El sistema cuenta con una "Instrucción de Oro" que prohíbe responder consultas ajenas al manual (ruido). Si detecta temas políticos o irrelevantes, el sistema activa un protocolo de rechazo para proteger la integridad del nodo.
• Evaluador Integrado: Cada respuesta es auditada por un agente secundario que puntúa la fidelidad de los datos y la relevancia del protocolo sugerido en una escala del 0 al 10.
• Gestión de Memoria: Se implementó un buffer de conversación (ChatMessageHistory) para permitir preguntas de seguimiento, manteniendo el contexto biológico a lo largo de la sesión sin perder la estructura de respuesta Root.

Conclusión y Visión Técnica

BioHacker Root v1.0 representa la convergencia entre la ingeniería de software y la optimización humana. A través de la implementación de un sistema RAG (Retrieval-Augmented Generation), hemos logrado transformar un manual estático en un instructor dinámico capaz de:

• Preservar la Fidelidad Técnica: Gracias al uso de ChromaDB y un esquema de Chunking Semántico, el sistema garantiza que cada protocolo de acción esté anclado en los fundamentos neurocientíficos del manual, eliminando las alucinaciones comunes en modelos genéricos.
• Gestión de Contexto Inteligente: La integración de ChatMessageHistory permite una navegación fluida por el historial de la conversación, permitiendo que el usuario profundice en su optimización sin perder el hilo biológico.
• Seguridad y Soberanía: El sistema no solo es un consultor, sino un guardián de la atención. Mediante Prompt Engineering avanzado, Root filtra el "ruido" informativo, forzando un retorno constante a la soberanía personal y al alto rendimiento.

Este proyecto es la base de un ecosistema donde la IA no es un juguete de distracción, sino una herramienta de mando y control sobre nuestro hardware más valioso: nuestro propio sistema nervioso.

Author

Joaquín Olivero ~ Backend & AI Engineer