@saulwade/swl-ses 2.4.3 → 2.5.2

package/reglas/memoria-consolidada.md

@@ -1,250 +1,56 @@
 # Regla: Consolidación de memoria — dónde va cada dato
 
-Esta regla es **OBLIGATORIA** para todos los agentes, skills y comandos que
-escriben conocimiento persistente del sistema. Resuelve el problema de
-memoria fragmentada: SWL tiene 5 mecanismos de almacenamiento y sin una
-regla clara, un mismo dato puede terminar en el lugar incorrecto o duplicado.
-
----
+OBLIGATORIA para todo agente, skill o comando que escribe conocimiento persistente.
+SWL tiene 5 canales de memoria; sin asignación clara, un dato termina en el canal
+incorrecto o duplicado.
 
 ## Los 5 canales de memoria
 
-| # | Canal | Formato | Fuente de verdad de |
-|---|-------|---------|---------------------|
-| 1 | **Memoria nativa de Claude Code** (`~/.claude/projects/.../memory/`) | Archivos `.md` con frontmatter `user`/`feedback`/`project`/`reference` | Perfil general del usuario y del proyecto, auto-gestionado por el harness |
-| 2 | **`.planning/APRENDIZAJES.md`** | Markdown con entradas `### [YYYY-MM-DD] Título` agrupadas por sección | Conocimiento del dominio (anti-patrones, patrones, decisiones, gotchas) |
-| 3 | **`instintos/proyecto.yaml` / `global.yaml` / `perfil-usuario.yaml`** | YAML estructurado con confidence, scope, evidence_count | Patrones aprendidos inductivamente, con promoción/degradación |
-| 4 | **`.planning/sessions/search-index.json`** | Índice FTS de sesiones pasadas | Búsqueda histórica de trabajo (qué se hizo, cuándo) |
-| 5 | **`.planning/evolution/*`** | JSONL (nudges, agentes) + JSON (métricas, alertas, evoluciones) | Estado del ciclo de auto-evolución |
-
----
-
-## Eje cognitivo de memoria (semantic | episodic | procedural)
-
-Los 5 canales de arriba clasifican el conocimiento por **dónde se almacena**. El
-eje cognitivo lo clasifica por **qué tipo de memoria es** — y es **ORTOGONAL**: un
-dato vive en exactamente un canal (regla de no-duplicación abajo) y PUEDE
-etiquetarse con exactamente un tipo cognitivo. No reemplaza a los canales; los
-enriquece para mejorar la relevancia del recall.
-
-Origen: análisis "Self-Learning for Agents" (3 capas) —
-`.planning/knowledge/outputs/analisis-self-learning-agents-3-capas-2026-06-27.md`.
-Un agente que se auto-mejora necesita las tres clases; la mayoría de los sistemas
-solo tiene `semantic`.
-
-| Tipo | Qué es | Ejemplo | Cuándo usarlo |
-|------|--------|---------|---------------|
-| **semantic** | Hechos, decisiones, vocabulario, gotchas-como-hecho | "El proyecto usa repository pattern"; "la API de CFDI devuelve 200 en errores" | Conocimiento estable que se consulta como referencia |
-| **episodic** | Experiencia pasada de una sesión concreta (qué pasó, cuándo) | "En la sesión X el revert del commit Y resolvió el bug Z" | Recordar un caso vivido para no repetir el camino |
-| **procedural** | Cómo manejar un caso (cómo hacer / qué evitar) | "Paralelizar agentes solo sin dependencias de datos"; "no usar `display:initial` para re-mostrar celdas" | Guía de acción ante una situación recurrente |
-
-### Dónde se materializa
-
-- **instintos** (`schemas/instinct.schema.json`): campo OPCIONAL `tipo_memoria`
-  (enum `semantic|episodic|procedural`). Backward-compatible: instintos sin el
-  campo siguen válidos. `scripts/bootstrap-instintos.js` lo infiere por sección de
-  origen (heurístico declarado, no autoritativo):
-  - `decisión` / `arquitectura` / `gotcha` / `regla-proyecto` → **semantic**
-  - `patrón` / `anti-patrón` → **procedural**
-  - **episodic** NO se infiere del bootstrap (nace de registros de sesión, canal 4,
-    no de APRENDIZAJES).
-- **APRENDIZAJES.md** (canal 2): convención OPCIONAL — una entrada puede anotar
-  `tipo_memoria:` en su cuerpo cuando el tipo no sea evidente por la sección.
-
-### Anti-patrones del eje cognitivo
-
-- Tratar el tipo cognitivo como un sexto canal de almacenamiento (no lo es: es una
-  etiqueta ortogonal sobre el dato que ya vive en su canal).
-- Forzar `episodic` en un instinto bootstrapeado de APRENDIZAJES (episodic viene de
-  sesiones, no de conocimiento de dominio destilado).
-
----
-
-## Regla de asignación — dónde va CADA tipo de dato
-
-### A. Información del usuario
-
-| Tipo de dato | Canal correcto | NO va a |
-|---|---|---|
-| Rol profesional, años de experiencia | 1 (memoria `user`) + 3 (perfil-usuario.yaml) | APRENDIZAJES, sessions, proyecto.yaml |
-| Stack preferido del usuario | 3 (perfil-usuario.yaml) | APRENDIZAJES |
-| Corrección explícita del usuario ("prefiero X", "nunca Y") | 1 (memoria `feedback`) + 3 (perfil-usuario.yaml vía perfilador-usuario-swl) | APRENDIZAJES |
-| Preferencia de idioma, formalidad, longitud | 3 (perfil-usuario.yaml) | — |
-| Límites explícitos ("no guardes X") | 3 (perfil-usuario.yaml `limites_explicitos`) | — |
-
-### B. Conocimiento del dominio (aplicable al proyecto o transversal)
-
-| Tipo de dato | Canal correcto | NO va a |
+| # | Canal | Fuente de verdad de |
 |---|---|---|
-| Anti-patrón descubierto (ej: bug recurrente) | 2 (APRENDIZAJES.md sección "Anti-patrones") | perfil-usuario, instintos directamente |
-| Patrón exitoso reutilizable | 2 (APRENDIZAJES.md) → eventual skill nuevo (tipo C) | perfil-usuario |
-| Decisión de arquitectura tomada | 2 (APRENDIZAJES.md sección "Decisiones") + eventualmente CLAUDE.md | perfil-usuario, instintos sin consolidar primero |
-| Gotcha específico de una librería | 2 (APRENDIZAJES.md) o skill existente | perfil-usuario |
-
-### C. Estado del sistema y observabilidad
-
-| Tipo de dato | Canal correcto |
-|---|---|
-| Nudge emitido por un hook | 5 (`.planning/evolution/nudges.jsonl`) |
-| Evento de subagente terminado | 5 (`.planning/auto-evolution/agentes.jsonl`) |
-| Evolución aplicada/revertida a skill | 5 (`.planning/evolution/evoluciones.jsonl`) |
-| Alerta persistente (nudges ignorados) | 5 (`.planning/evolution/alertas-persistentes.json`) |
-| Métricas agregadas (health score) | 5 (`.planning/evolution/metricas.json`) |
-| Traza de ejecución de agente | `.planning/traces/` (OTLP-lite) |
-| Audit trail inmutable | `.planning/audit.jsonl` + Merkle |
+| 1 | Memoria nativa de Claude Code (`~/.claude/projects/.../memory/`, frontmatter `user`/`feedback`/`project`/`reference`) | Perfil del usuario y del proyecto, auto-gestionado por el harness |
+| 2 | `.planning/APRENDIZAJES.md` (entradas `### [YYYY-MM-DD]` por sección) | Conocimiento del dominio: anti-patrones, patrones, decisiones, gotchas |
+| 3 | `instintos/proyecto.yaml` / `global.yaml` / `perfil-usuario.yaml` (YAML con confidence) | Patrones aprendidos inductivamente, con promoción/degradación |
+| 4 | `.planning/sessions/search-index.json` (índice FTS) | Búsqueda histórica de trabajo (qué se hizo, cuándo) |
+| 5 | `.planning/evolution/*` (JSONL + JSON) | Estado del ciclo de auto-evolución (nudges, métricas, alertas, evoluciones) |
 
-### D. Patrones consolidados (inductivos, con confidence)
+## Regla de oro de asignación
 
-| Tipo de dato | Canal correcto |
-|---|---|
-| Patrón observado ≥1 vez con confidence < 0.5 | 3 (instintos/proyecto.yaml como draft) |
-| Patrón consolidado (confidence ≥ 0.5, evidence_count ≥ 3) | 3 (instintos/proyecto.yaml activo) |
-| Patrón validado cross-proyecto (confidence > 0.8) | 3 (instintos/global.yaml tras promoción) |
-| Patrón contradicho (degradado ≥3 veces) | 3 (instintos/proyecto.yaml status `degraded`) o borrado |
-
-### E. Búsqueda histórica
-
-| Tipo de dato | Canal correcto |
-|---|---|
-| "¿Qué hicimos la semana pasada en X?" | 4 (sessions/search-index.json) — vía `habilidades/memoria-busqueda` |
-| Sesión completa archivada | `.planning/sessions/*.json` |
-
----
+- **Información del usuario** (rol, stack, preferencias, límites, corrección explícita "prefiero X") → 3 (`perfil-usuario.yaml`); las correcciones también a 1 (memoria `feedback`). NUNCA a APRENDIZAJES.
+- **Conocimiento del dominio** (anti-patrón, patrón reutilizable, decisión, gotcha de librería) → 2 (APRENDIZAJES.md). NUNCA al perfil ni a instintos sin consolidar primero vía `/swl:aprender`.
+- **Estado del sistema / métricas / telemetría** → 5 (`.planning/evolution/*`); trazas a `.planning/traces/`, audit trail inmutable a `.planning/audit.jsonl`.
+- **Patrón inductivo con confidence** → 3 (draft <0.5 en proyecto.yaml; activo con ≥0.5 y evidence ≥3; a global.yaml SOLO con confidence >0.8 validado cross-proyecto; contradicho ≥3 veces → `degraded` o borrado).
+- **Búsqueda histórica** ("¿qué hicimos en X?") → 4, vía `habilidades/memoria-busqueda`.
+- Eje cognitivo (`semantic|episodic|procedural`): etiqueta ORTOGONAL opcional sobre el dato en su canal — NO es un sexto canal; `episodic` nace de sesiones, no del bootstrap de APRENDIZAJES.
 
 ## Precedencia en caso de conflicto
 
-Si un mismo dato aparece en múltiples canales, la prioridad de verdad es:
-
-```
-CLAUDE.md (regla explícita)
-  > Memoria nativa tipo feedback del usuario (corrección explícita)
-  > instintos con confidence ≥ 0.9
-  > APRENDIZAJES.md (si es tipo Decisión)
-  > perfil-usuario.yaml
-  > instintos con confidence < 0.9
-  > sesiones pasadas
-```
-
----
+`CLAUDE.md` > memoria nativa `feedback` > instintos con confidence ≥0.9 > APRENDIZAJES (tipo Decisión) > `perfil-usuario.yaml` > instintos <0.9 > sesiones pasadas.
 
 ## Reglas de no-duplicación
 
-1. **Un dato vive en exactamente un canal** (salvo referencias explícitas).
-   Si necesitas citarlo desde otro, usa un puntero/path, no copies el contenido.
-
-2. **perfil-usuario.yaml NUNCA duplica APRENDIZAJES.md.** Una corrección del
-   usuario va al perfil; un anti-patrón técnico va a APRENDIZAJES.
-
-3. **instintos/proyecto.yaml bootstrap desde APRENDIZAJES.md** es válido
-   (hace `scripts/bootstrap-instintos.js`), pero la fuente de verdad post-bootstrap
-   es `instintos/proyecto.yaml`. Nuevos APRENDIZAJES no deben entrar a instintos
-   automáticamente — primero se promueven con `/swl:aprender` (tipo C).
-
-4. **La memoria nativa del harness no se sobreescribe** con contenido de SWL.
-   El flujo es al revés: señales del usuario pueden alimentar ambos canales
-   (native + perfil SWL), pero ninguno es copia del otro.
-
-5. **Cuando detectes duplicación cross-canal**, registrarla como anti-patrón
-   en APRENDIZAJES.md y corregir con `scripts/validar-memoria.js`.
-
----
-
-## Validación automática
-
-El script `scripts/validar-memoria.js` detecta duplicaciones y violaciones
-de esta regla. Se ejecuta:
-
-- Manualmente: `node scripts/validar-memoria.js`
-- Automáticamente dentro de `scripts/validar.js` (parte del pipeline CI)
-
-Reporta: duplicación cross-canal, canal incorrecto para un tipo de dato
-conocido, datos en canales deprecados.
-
----
-
-## Anti-patrones a detectar
-
-- **Corrección del usuario escrita a APRENDIZAJES.md** → debe ir al perfil
-- **Anti-patrón técnico escrito al perfil del usuario** → debe ir a APRENDIZAJES
-- **Métrica persistida en APRENDIZAJES.md** → debe ir a `.planning/evolution/`
-- **Secreto/credencial en cualquier canal** → bloqueo inmediato (`privacy-memoria`)
-- **Dato duplicado en proyecto.yaml y global.yaml** → uno debe borrarse
-  (promover a global SOLO cuando confidence > 0.8 Y validado cross-proyecto)
-- **Instinto activo con `last_validated` antiguo (>180 días) sin feedback**
-  → el `effective_confidence` ya está bajo `0.25`. Re-validar manualmente o
-  marcar `status: archived`.
-
----
-
-## Scoring de instintos: decay exponencial + maturity
-
-El campo `confidence` en instintos es **estático** (asignado al crear). El valor
-**efectivo** se computa dinámicamente con dos factores:
-
-1. **Decay temporal**: la confianza decae exponencialmente desde `last_validated_at`.
-   Half-life por defecto: 90 días. Tras 1 half-life → confianza × 0.5; tras 2 → × 0.25.
-2. **Penalización por feedback dañino**: si `harmful_count / (helpful_count + harmful_count) > 0.3`
-   con al menos 3 eventos, el instinto se propone para `status: degraded`.
-
-Implementación pura en `scripts/lib/scoring-instintos.js`:
-
-```js
-const { effectiveConfidence, maturityState, applyFeedback } = require('./scoring-instintos');
-
-// Lectura
-const eff = effectiveConfidence(instinto, new Date());
-const maturity = maturityState(instinto, new Date());
-// → 'candidate' | 'established' | 'proven' | 'deprecated'
-
-// Escritura (pure)
-const conFeedback = applyFeedback(instinto, 'helpful');
-```
-
-**Cuándo recomputar**:
-- `/swl:status salud` reporta instintos con `effective_confidence < 0.3` para revisión.
-- `hooks/degradacion-instintos.js` puede marcar `status_proposed: degraded`
-  cuando `shouldAutoDeprecate(instinto)` devuelve `true`.
-- `bootstrap-instintos.js` emite los nuevos instintos con `decay_half_life_days: 90`,
-  `helpful_count: 0`, `harmful_count: 0` por defecto.
-
-**Backward compat**: instintos antiguos sin los campos nuevos siguen siendo
-válidos. `effectiveConfidence` cae a `confidence * decay` cuando no hay feedback,
-y `last_validated` (sin `_at`) se usa como fallback.
-
----
-
-## Source tracing en instintos y APRENDIZAJES
-
-Cada instinto puede declarar la **evidencia que lo respalda** mediante:
-
-- `source_sessions: ["sess-abc", "sess-def"]` — sesiones que lo generaron o validaron
-- `source_agents: ["orquestador-swl", "implementador-swl"]` — agentes que lo aplicaron exitosamente
-- `evidence_count: N` — total numérico (compatibilidad legacy)
+- Un dato vive en exactamente UN canal; para citarlo desde otro, puntero/path — nunca copia.
+- `perfil-usuario.yaml` NUNCA duplica APRENDIZAJES: corrección del usuario → perfil; anti-patrón técnico → APRENDIZAJES.
+- El bootstrap APRENDIZAJES→instintos (`scripts/bootstrap-instintos.js`) es válido; post-bootstrap la fuente de verdad es `instintos/proyecto.yaml`. La memoria nativa del harness no se sobreescribe con contenido SWL.
+- Duplicación cross-canal detectada → registrarla como anti-patrón en APRENDIZAJES y corregir con `scripts/validar-memoria.js` (corre también dentro de `scripts/validar.js` en CI).
 
-**Reglas**:
+## Scoring de instintos
 
-1. Un instinto con `confidence ≥ 0.7` debe tener al menos 1 entrada en
-   `source_sessions` o `source_agents` para justificar la confianza.
-2. Para promover de `instintos/proyecto.yaml` a `instintos/global.yaml`, el
-   instinto debe tener `source_agents.length ≥ 2` o `source_sessions.length ≥ 3`
-   — un solo punto de evidencia no es suficiente para impacto cross-proyecto.
-3. El campo `source_sessions` referencia IDs de `.planning/sessions/`. No copiar
-   el contenido — usar el ID como puntero.
-4. `addSource()` en `scripts/lib/scoring-instintos.js` mantiene unicidad
-   automática. NUNCA editar manualmente con duplicados.
+- `confidence` es estático; el valor efectivo aplica decay exponencial (half-life 90 días desde `last_validated_at`) y degradación por feedback dañino (`harmful/(helpful+harmful) > 0.3` con ≥3 eventos → proponer `degraded`). Implementación pura: `scripts/lib/scoring-instintos.js`.
+- Source tracing: instinto con confidence ≥0.7 exige ≥1 entrada en `source_sessions`/`source_agents`; promover a global exige `source_agents ≥ 2` o `source_sessions ≥ 3`; sesiones referenciadas por ID (puntero), nunca copiadas.
 
-**Anti-patrón**: instinto con `evidence_count: 10` pero `source_sessions: []` y
-`source_agents: []` — la cifra es opaca, no se puede auditar de dónde viene.
+## Anti-patrones
 
----
+- Corrección del usuario en APRENDIZAJES.md → debe ir al perfil.
+- Anti-patrón técnico en el perfil del usuario → debe ir a APRENDIZAJES.
+- Métrica persistida en APRENDIZAJES.md → debe ir a `.planning/evolution/`.
+- Secreto/credencial en cualquier canal → bloqueo inmediato (`privacy-memoria`).
+- Dato duplicado en proyecto.yaml y global.yaml → uno debe borrarse.
+- Instinto sin feedback con `last_validated` >180 días (effective ya <0.25) → re-validar o `status: archived`.
 
 ## Checklist antes de escribir a memoria
 
-Antes de que cualquier agente, skill o hook persista un dato, debe responder:
+¿Es dato de usuario, dominio, estado del sistema, patrón inductivo o búsqueda histórica? → identifica el canal correcto según la asignación de arriba.
+¿Ya existe en otro canal? → actualiza ese, no dupliques. ¿Contiene PII/secretos? → cargar `privacy-memoria`. ¿Viene de texto del usuario? → escanear con `prompt-injection-scanner`.
 
-1. ¿Es información del **usuario**, del **dominio**, de **estado del sistema**,
-   un **patrón inductivo**, o **búsqueda histórica**? → identifica canal A-E.
-2. ¿El canal elegido es el correcto según la tabla de asignación?
-3. ¿El dato ya existe en otro canal? Si sí, actualiza ese, no dupliques.
-4. ¿El dato contiene PII, secretos o contenido sensible? → cargar `privacy-memoria`.
-5. ¿El dato viene de texto del usuario? → escanear con `prompt-injection-scanner`.
+Detalle extendido (tablas de asignación A-E completas, eje cognitivo desarrollado, scoring con código, source tracing, validación automática): `Skill("meta-reglas-extendido")` → `recursos/memoria-consolidada.md`.

package/reglas/performance.md

@@ -1,3 +1,11 @@
+---
+paths:
+  - "**/*.py"
+  - "**/*.ts"
+  - "**/*.tsx"
+  - "**/*.js"
+  - "**/*.sql"
+---
 # Regla: Performance
 
 La optimización prematura es la raíz de todos los males — Donald Knuth.

package/reglas/pruebas.md

@@ -1,3 +1,15 @@
+---
+paths:
+  - "**/*.py"
+  - "**/*.ts"
+  - "**/*.tsx"
+  - "**/*.js"
+  - "**/tests/**"
+  - "**/test/**"
+  - "**/__tests__/**"
+  - "**/*.test.*"
+  - "**/*.spec.*"
+---
 # Regla: Pruebas
 
 Los tests no son opcionales. Son parte de la definición de "terminado" para