@saulwade/swl-ses 2.6.0 → 2.8.0

package/comandos/swl/aprender.md

@@ -1,836 +1,836 @@
----
-name: swl:aprender
-description: Extrae aprendizajes de la sesión de trabajo actual. Analiza patrones de errores, decisiones y soluciones para generar nuevas reglas y habilidades que mejoran el sistema. Actualiza CLAUDE.md del proyecto y propone nuevas habilidades al sistema SWL.
-allowed_tools: ["Read", "Write", "Edit", "Bash", "Glob", "Grep"]
----
-
-# /swl:aprender — Extracción de aprendizajes y mejora del sistema
-
-Eres el extractor de conocimiento del sistema SWL. Transformas la experiencia acumulada en una sesión de trabajo en conocimiento estructurado y reutilizable. Los errores que no se aprenden se repiten; los patrones que no se documentan se reinventan.
-
-## Relación con otros canales de aprendizaje
-
-SWL tiene **tres canales independientes** de aprendizaje. Son complementarios, no solapados:
-
-| Canal | Produce | Disparadores | Escribe en |
-|-------|---------|--------------|------------|
-| `/swl:aprender` *(este comando)* | Conocimiento del dominio (anti-patrones, patrones, gotchas, decisiones) | Manual o nudge de `auto-consolidacion.js` (≥24h + ≥5 sesiones) | `APRENDIZAJES.md`, skills, `CLAUDE.md` |
-| `/swl:evolucionar` | Mejoras al sistema SWL (versionado de agentes/skills, patches, splits, deprecaciones) | Manual o nudge de `auto-evolucion.js` (≥3 fallos o ≥10 runs/14d de un agente) | `agentes/*.md`, `habilidades/*/SKILL.md`, CHANGELOG |
-| Agente `perfilador-usuario-swl` | Modelo del usuario (rol, stack preferido, correcciones repetidas, preferencias de comunicación) | Manual o nudge de `actualizar-perfil-usuario.js` (≥3 señales acumuladas) | `instintos/perfil-usuario.yaml` |
-
-**Reglas de ruteo** cuando un aprendizaje podría ir a más de un canal:
-
-- Tipo A/B/C (regla de proyecto, anti-patrón, nuevo skill) → **este comando**.
-- Tipo D (mejora de metodología del SISTEMA SWL, no del proyecto) → **`/swl:evolucionar`**.
-- Preferencia personal del usuario (cómo quiere que le hablen, qué stack prefiere,
-  qué correcciones repite) → **`perfilador-usuario-swl`**, NO este comando.
-  Este comando nunca escribe al perfil; solo genera conocimiento del dominio.
-- Si la duda persiste: el canal correcto es aquel cuyo destino (APRENDIZAJES/skill
-  vs. agente/skill SWL vs. perfil) es donde *otro agente* lo buscaría la próxima vez.
-
-## Cuándo usar este comando
-
-- Al final de una fase ejecutada exitosamente
-- Después de resolver un bug difícil
-- Cuando se tomó una decisión de arquitectura importante
-- Cuando un patrón de implementación resultó mejor de lo esperado
-- Cuando algo del plan fue consistentemente incorrecto
-- Cuando el hook `auto-consolidacion.js` lo sugiere (>= 24h y >= 5 sesiones nuevas)
-
-## Modo de ejecución
-
-Este comando tiene 2 modos:
-
-1. **Interactivo** (default): El usuario dirige qué analizar. Sigue los Pasos 0-7 completos.
-2. **Consolidación automática**: Se ejecuta cuando el hook `auto-consolidacion.js` lo sugiere o el usuario dice "consolida". Sigue el flujo de 4 fases inspirado en autoDream (ver sección al final).
-
-Si el usuario dice "consolida", "consolida memoria", "auto-dream" o similar, saltar directamente a la **Sección: Consolidación en 4 fases** al final de este comando.
-
----
-
-## Paso 0 — Carga de habilidades
-
-```
-Skill("extractor-de-aprendizajes")
-Skill("aprendizaje-continuo")
-```
-
-El skill `extractor-de-aprendizajes` define el ciclo de mejora continua, los 4 tipos de aprendizajes (anti-patrón, patrón positivo, gotcha, decisión de proyecto), el protocolo de extracción completo (capturar contexto, determinar destino, escribir regla con formato MAL/BIEN, integrar al skill), la plantilla para nuevos skills y los indicadores de calidad.
-
-El skill `aprendizaje-continuo` define el sistema de instintos con niveles de confianza, scopes (proyecto/dominio/global) y evolución.
-
-## Paso 1 — Definición del alcance
-
-Pregunta al usuario:
-
-```
-¿De qué quieres extraer aprendizajes?
-
-1. De la sesión completa de trabajo actual
-2. De la resolución de un problema específico (describe cuál)
-3. De una fase específica que acaba de completarse (¿cuál fase?)
-4. De decisiones de arquitectura tomadas en este proyecto
-5. Todo lo anterior
-
-Escribe el número o describe lo que prefieres analizar.
-```
-
-Espera respuesta. Adapta los pasos siguientes según el alcance.
-
-## Paso 2 — Recolección de evidencia
-
-Según el alcance elegido, recolecta:
-
-- **Sesión completa**: commits recientes (`git log --oneline --since="8 hours ago"`), archivos modificados, RESUMEN.md, VERIFICACION.md, ESTADO.md, COMPACTACION.md
-- **Problema específico**: pide al usuario: síntoma, tiempo de resolución, qué NO funcionó, qué lo resolvió, archivos relevantes
-- **Fase específica**: lee CONTEXTO.md, PLAN.md, RESUMEN.md, VERIFICACION.md de la fase
-
-### Filtro crítico OBLIGATORIO sobre reportes de sub-agentes Explore
-
-Cuando se delega análisis a sub-agentes (especialmente `Explore` analizando papers
-académicos, repositorios externos o documentación extensa), los reportes producidos
-tienden a sobreestimar costos de implementación y proponer alcances over-engineered
-(50h+ cuando el patrón portable real cabe en 5-10h).
-
-**Antes de incorporar cualquier propuesta del sub-agente al Paso 3 de análisis**,
-aplicar este filtro de 4 preguntas:
-
-1. **¿Qué porcentaje del paper/repo es teoría académica vs. patrón portable?**
-   Si >70% es teoría (pruebas formales, demostraciones de Lyapunov, complejidad
-   PAC, etc.), el patrón portable real es mucho menor de lo que el sub-agente sugiere.
-
-2. **¿La propuesta requiere reescribir mecanismos existentes en SWL?**
-   Si sí, descartar — SWL ya tiene drift-detector, recovery, observabilidad. La
-   integración correcta es **extender**, no **reemplazar**.
-
-3. **¿Cuántas líneas de código nuevas estima el sub-agente vs. cuántas se podrían
-   ahorrar reutilizando lo existente?**
-   Si la propuesta supera 500 LOC nuevas para un solo patrón, hay sobre-ingeniería.
-
-4. **¿El alcance reducido (~5-10h) cubre el 80% del valor del paper?**
-   Aplicar Pareto: identificar el patrón mínimo que captura la mayor parte del
-   beneficio, descartar el resto como "puede esperar".
-
-**Anti-patrón observado** (sesión 2026-04-25): un sub-agente Explore propuso 50h+
-de trabajo para implementar Bhardwaj 2026 completo (SPRT secuencial, verificación
-formal, compositionality theorems). Tras filtro crítico: solo Drift Score formalizado
-+ Recovery Catalog eran portables (~3h reales). El resto era teoría académica
-no integrable a un sistema de producción.
-
-Documentar el filtro aplicado en el reporte final con formato:
-
-```
-Sub-agente Explore propuso: [resumen]
-Filtro crítico aplicado: [cuáles de las 4 preguntas tuvieron señal de alarma]
-Alcance final aprobado: [propuesta reducida con justificación]
-Descartado: [lo que NO se implementa y por qué]
-```
-
-## Paso 3 — Análisis de patrones
-
-Analiza la evidencia en 5 categorías:
-
-1. **Errores recurrentes** — mismo tipo de error en múltiples slices o archivos. Extrae: tipo, causa raíz, regla preventiva, detección temprana.
-2. **Decisiones de arquitectura** — alternativa elegida, criterio, resultado final.
-3. **Patrones exitosos** — código o estructuras reutilizables que resolvieron problemas elegantemente.
-4. **Estimaciones vs realidad** — slices sobre/subestimados y causas de las diferencias.
-5. **Gaps del sistema** — skills con información faltante, skills inexistentes, reglas incorrectas.
-
-## Paso 4 — Clasificación de aprendizajes
-
-Clasifica cada aprendizaje según los tipos definidos en `Skill("extractor-de-aprendizajes")`:
-
-| Tipo | Destino | Ejemplo |
-|------|---------|---------|
-| **A — Regla de proyecto** | `CLAUDE.md` del proyecto | Convención de nombrado específica |
-| **B — Anti-patrón general** | Skill existente (sección apropiada) | Bug recurrente de SQLAlchemy async |
-| **C — Nueva habilidad** | Nuevo directorio en `habilidades/` | Patrones de integración con API específica |
-| **D — Mejora de metodología** | Comando SWL correspondiente | Preguntas faltantes en discutir-fase |
-
-### Priorización por rating (aplicar consistentemente)
-
-Tras clasificar por tipo, cada aprendizaje recibe un **rating HIGH / MEDIUM / LOW**
-según los criterios de `Skill("extractor-de-aprendizajes")` (sección "Clasificación
-automática por impacto"):
-
-| Rating | Criterio | Acción |
-|--------|----------|--------|
-| **HIGH** | Decisión irreversible, bug crítico que costó >1h de diagnóstico, cambio de patrón mayor, incumplimiento de regla ya conocida | Promover inmediatamente al skill/comando destino; aparece primero en la presentación del Paso 5 |
-| **MEDIUM** | Gotcha documentado con causa + fix, patrón confirmado ≥2 veces en la sesión, anti-patrón operativo | Integrar al skill destino en la iteración actual |
-| **LOW** | Observación contextual, preferencia menor, dato informativo, refinamiento de redacción | Mantener solo en APRENDIZAJES.md como registro; **NO** promover a skill a menos que el usuario lo solicite explícitamente |
-
-**Regla de priorización obligatoria cuando `alcance = "todo"`**: los aprendizajes
-se presentan en el Paso 5 **ordenados por rating (HIGH → MEDIUM → LOW)**, no en
-orden de descubrimiento. Esto evita que observaciones menores (estilo, formato,
-preferencias) diluyan la señal de los gotchas de alto impacto. El usuario debe
-poder leer solo el bloque HIGH y decidir si procede, sin scroll innecesario.
-
-**Fracción típica esperada**: en una sesión productiva, <20% de aprendizajes son
-HIGH, 40-60% MEDIUM, el resto LOW. Si la distribución está invertida (mayoría
-HIGH), probablemente se está sobre-clasificando — revisar criterios.
-
-**Anti-patrón**: presentar 30 aprendizajes planos sin rating → el usuario aprueba
-en bloque por fatiga y se integran observaciones menores a skills donde degradan
-la señal/ruido. Siempre aplicar el rating antes del Paso 5.
-
-## Paso 5 — Presentación y confirmación
-
-Presenta los aprendizajes clasificados al usuario ANTES de modificar archivos,
-**ordenados por rating HIGH → MEDIUM → LOW dentro de cada tipo** (ver Paso 4,
-sección "Priorización por rating"):
-
-```
-Identifiqué [N] aprendizajes de la sesión (ordenados por impacto):
-
-🔴 RATING HIGH ([N]):
-  TIPO A — Reglas para este proyecto ([N_a_high]):
-    1. [regla]: [descripción]
-  TIPO B — Anti-patrones generales ([N_b_high]):
-    1. [anti-patrón]: [descripción y corrección]
-  TIPO D — Mejoras de metodología ([N_d_high]):
-    1. [mejora]: [qué cambiaría]
-
-🟡 RATING MEDIUM ([N]):
-  TIPO B — Anti-patrones generales ([N_b_med]):
-    1. [anti-patrón]: [descripción y corrección]
-  TIPO C — Nueva habilidad propuesta ([N_c_med]):
-    1. [nombre propuesto]: [qué cubriría]
-
-🔵 RATING LOW ([N]) — solo registrar, no promover:
-  1. [observación breve]
-  2. [observación breve]
-
-¿Apruebas los HIGH y MEDIUM? ¿Algún LOW quieres promover manualmente?
-¿Hay alguno incorrecto o que no identifiqué?
-```
-
-**Criterios de aceptación de la presentación**:
-- Si `alcance = "todo"` y la lista tiene más de 15 aprendizajes, NO presentar todos
-  planos; agrupar por rating y mostrar primero el bloque HIGH completo, luego
-  resumen contado de MEDIUM/LOW con opción "ver detalle" si el usuario lo pide.
-- Si no hay ningún aprendizaje HIGH, reportar explícitamente *"sin aprendizajes
-  de alto impacto"* — es señal válida, no falla del proceso.
-- Nunca promover LOW automáticamente. Los LOW quedan en APRENDIZAJES.md como
-  registro y pueden consolidarse después si se confirman ≥3 veces (ver skill
-  `extractor-de-aprendizajes` sección "Consolidación con vigencia").
-
-Espera respuesta. Ajusta según feedback.
-
-## Paso 5.5 — Guard anti-compounding ANTES de persistir
-
-> "When outputs get filed back, errors compound too." — @HFloyd sobre el sistema de Karpathy
->
-> Este paso se ejecuta OBLIGATORIAMENTE entre la aprobación del usuario (Paso 5)
-> y la escritura de los aprendizajes (Paso 6). Su propósito es detectar contradicciones
-> ANTES de que entren al knowledge base — no después.
-
-### Verificación de consistencia por cada aprendizaje aprobado
-
-Para **cada aprendizaje del tipo A o B** que el usuario aprobó, ejecutar:
-
-```bash
-# Buscar el contenido del aprendizaje nuevo en APRENDIZAJES.md
-# para detectar si ya existe algo que lo contradiga
-grep -i "[KEYWORD_DEL_APRENDIZAJE]" .planning/APRENDIZAJES.md | head -10
-```
-
-Evaluar el resultado en 3 categorías:
-
-| Resultado | Acción |
-|-----------|--------|
-| **No hay entradas previas** relacionadas | Persistir directamente — no hay riesgo de compounding |
-| **Hay entradas previas que CONFIRMAN** el nuevo aprendizaje | Persistir y marcar como `[CONFIRMADO x2]` para aumentar confianza |
-| **Hay entradas previas que CONTRADICEN** el nuevo aprendizaje | **DETENER** — ver protocolo de resolución abajo |
-
-### Protocolo de resolución de contradicción pre-persistencia
-
-Si se detecta contradicción entre un aprendizaje nuevo y uno existente:
-
-1. **Presentar al usuario la contradicción explícitamente**:
-
-```
-⚠ Contradicción detectada antes de persistir:
-
-APRENDIZAJE NUEVO (de esta sesión):
-  "[texto del aprendizaje nuevo]"
-
-APRENDIZAJE EXISTENTE (APRENDIZAJES.md, línea N):
-  "[texto del aprendizaje anterior]"
-
-¿Cómo resolver?
-[A] El nuevo es correcto — reemplazar el anterior (con fecha y razón)
-[B] El anterior es correcto — descartar el nuevo
-[C] Ambos son válidos en contextos distintos — fusionar con condición explícita
-[D] Necesito más evidencia — posponer ambos hasta tener más datos
-```
-
-2. **No persistir ninguno** hasta que el usuario resuelva.
-
-3. **Registrar la resolución** en el log del wiki si existe:
-   ```bash
-   echo "## [$(date +%Y-%m-%d)] contradicción-resuelta | [tema]" >> .planning/knowledge/log.md
-   ```
-
-### Verificación adicional: consistencia con el wiki
-
-Si existe `.planning/knowledge/wiki/` en el proyecto:
-
-```bash
-# Verificar si hay una página wiki que trate el mismo tema
-ls .planning/knowledge/wiki/ 2>/dev/null | grep -i "[keyword]"
-```
-
-Si existe una página wiki relevante:
-- Leerla antes de persistir el aprendizaje
-- Si el nuevo aprendizaje contradice la página wiki: actualizar la wiki también
-- Agregar al log del wiki: `## [FECHA] update | [página] — actualizado por nuevo aprendizaje`
-
-**Regla clave**: el aprendizaje nuevo y la página wiki deben ser consistentes.
-Un aprendizaje que contradice la wiki sin actualizar la wiki = compounding error garantizado.
-
-## Paso 6 — Aplicación de aprendizajes aprobados
-
-Aplica cada tipo siguiendo el protocolo del skill:
-
-- **TIPO A**: agrega reglas en `CLAUDE.md` del proyecto en la sección apropiada. NUNCA elimines reglas existentes.
-- **TIPO B**: escribe la regla en el skill correspondiente usando el formato del skill (NUNCA/SIEMPRE + Problema + código MAL vs BIEN). Usa la tabla de destinos del skill para elegir dónde.
-- **TIPO C**: crea nuevo directorio en `habilidades/` con SKILL.md completo (frontmatter + cuándo activar + reglas + anti-patrones). Mínimo 5 reglas concretas para justificar skill separado.
-- **TIPO D**: modifica el comando SWL correspondiente en `comandos/swl/`.
-
-**OBLIGATORIO — Dos acciones acopladas por cada archivo modificado** (TIPO B y D).
-
-Marcar `evolved` y bumpear la versión interna del componente son **dos operaciones complementarias que SIEMPRE se aplican juntas**, nunca una sin la otra. El flag `evolved` protege contra reinstalación; el bump de `version` comunica al resto del sistema (auditorías, `/swl:status salud`, consumidores) que el contenido del componente cambió desde la última revisión. Omitir el bump hace el cambio invisible aunque el flag esté puesto.
-
-### Acción 1 — Marcar como evolved
-
-Usar el subcomando del CLI (resuelve cross-scope; ver
-`docs/invocacion-cli-cross-scope.md`):
-
-```bash
-swl-ses mark-evolved "[RUTA_ARCHIVO_MODIFICADO]" \
-  --by=aprender \
-  --note="[tipo de aprendizaje: anti-patrón / mejora de metodología]"
-# fallback: npx -y @saulwade/swl-ses@latest mark-evolved "[RUTA]" --by=aprender --note="..."
-```
-
-`--from` se infiere del `package.json` del CWD si se omite.
-
-`markAsEvolved` registra automáticamente `evolved-at` con la fecha del día en formato ISO (`YYYY-MM-DD`) — no hay que pasarla manualmente. Escribe en el frontmatter los 5 campos siguientes:
-
-```yaml
-evolved: true
-evolved-from: "[versión del sistema al momento del cambio]"
-evolved-at: "[fecha ISO del día — agregada automáticamente]"
-evolved-by: "aprender"
-evolved-note: "[nota pasada como meta.note]"
-```
-
-Si Bash no está disponible y se edita el frontmatter manualmente, **incluir obligatoriamente la fecha ISO de hoy en `evolved-at`**. Una entrada `evolved: true` sin fecha es inválida — sin fecha no se puede auditar cuándo ocurrió la evolución ni priorizar cambios recientes en `/swl:status salud`.
-
-### Acción 2 — Bumpear la versión interna del componente
-
-Solo aplica a agentes y skills (los comandos SWL no versionan internamente; para comandos, basta con la Acción 1).
-
-Leer el campo `version` del frontmatter y aplicar SemVer según el tipo de cambio:
-
-| Cambio aplicado al componente | Bump |
-|-------------------------------|------|
-| Gotcha nuevo, regla nueva, corrección de redacción | **PATCH** (1.0.0 → 1.0.1) |
-| Sección completa nueva, nueva categoría de contenido, cambio significativo de alcance | **MINOR** (1.0.0 → 1.1.0) |
-| Redefinición incompatible (renombrar campo obligatorio, cambiar contrato de invocación) | **MAJOR** (1.0.0 → 2.0.0) |
-
-Edit el frontmatter del archivo:
-```yaml
-version: "1.0.1"   # era "1.0.0"
-```
-
-**SIN MARCADO DE EVOLVED**: los cambios se perderán en la próxima actualización de SWL.
-**SIN BUMP DE VERSIÓN**: el cambio será invisible al resto del sistema aunque el contenido del archivo haya cambiado.
-**Las dos acciones son OBLIGATORIAS para cualquier modificación de contenido de skill o agente.**
-
-### Verificación automática al final del Paso 6
-
-Antes de pasar al Paso 7, ejecutar OBLIGATORIAMENTE el verificador que valida que TODOS los archivos de `agentes/` y `habilidades/` modificados en la sesión tengan ambos metadatos actualizados. No es opcional — es una gate de calidad del comando:
-
-```bash
-# Verifica archivos modificados desde el último commit del usuario
-# (ajustar --since según el alcance de la sesión de aprender)
-npx -y @saulwade/swl-ses@latest verify-evolution --changed --since=HEAD~1
-```
-
-El script revisa cada agente/skill modificado contra 4 criterios:
-
-1. Campo `version` presente en el frontmatter
-2. `evolved: true` registrado (en frontmatter o en `<dir>/.evolved.json`)
-3. Metadatos `evolved-from`, `evolved-at`, `evolved-by` completos con fecha en formato ISO `YYYY-MM-DD`
-4. Campo `version` bumpado respecto al HEAD de git si el archivo tiene diff real
-
-**Exit codes**:
-- `0` — todo OK, continuar al Paso 7
-- `1` — al menos un archivo falla. **NO continuar al Paso 7**. Corregir cada gap reportado y volver a ejecutar hasta que pase. El reporte indica el problema exacto y el archivo afectado.
-- `2` — error de invocación (archivo no existe, argumentos inválidos)
-
-Ejemplo de output en éxito:
-```
-[OK] agentes/release-manager-swl.md: version=1.0.1 (era 1.0.0), evolved=true
-[OK] habilidades/manejo-errores/SKILL.md: version=1.0.1 (era 1.0.0), evolved=true
-Resultado: 2/2 OK
-```
-
-Ejemplo de output en fallo que obliga a corregir antes de continuar:
-```
-[FALLA] habilidades/foo/SKILL.md: contenido modificado pero `version` no bumpada (sigue en 1.0.0) | version=1.0.0, evolved=true
-[FALLA] habilidades/bar/SKILL.md: `evolved` no encontrado (ni en frontmatter ni en .evolved.json del directorio) | version=1.1.0, evolved=n/a
-Resultado: 0/2 OK, 2 con fallos
-```
-
-Si el verificador reporta fallo, corregir el archivo puntual (agregar bump o ejecutar `markAsEvolved()`), NO saltarse la verificación. El gap que esta verificación cierra es exactamente el que el usuario detectó al auditar la sesión de aprender del 2026-04-20: `markAsEvolved` ejecutado sin bump de `version` → cambio invisible al resto del sistema pese a que el archivo quedó protegido contra reinstalación.
-
-## Paso 6.5 — Validación de CLAUDE.md tras aplicar Tipo A (auditor síncrono)
-
-> Este paso es **OBLIGATORIO** si en Paso 6 se aplicó al menos un aprendizaje
-> Tipo A (regla agregada a `CLAUDE.md` del proyecto). El hook
-> `claudemd-bloat-detector.js` ya emite nudge async cuando se modifica
-> `CLAUDE.md`, pero el nudge llega DESPUÉS del Paso 7 — y el comando
-> habría seguido sin saber que el contrato canónico se rompió.
->
-> Este Paso 6.5 invoca el auditor SÍNCRONAMENTE, antes de pasar a Paso 7.
-
-### Por qué existe este paso
-
-`/swl:aprender` y `/swl:claudemd` operan sobre el mismo archivo desde
-ángulos distintos: aprender **muta**, claudemd **prescribe contrato**. Sin
-validación cruzada, una sesión de aprender puede agregar 25 líneas inline
-a un CLAUDE.md que estaba en 195 LOC → resultado 220 LOC, WARN líneas,
-contrato roto silenciosamente.
-
-Origen del gap: detectado en sesión 2026-05-22 al evaluar el flujo
-SIGAF→swl-ses (CLAUDE.md SIGAF recibió ~25 líneas inline de
-"Triangulación schema cross-stack" sin validación post-mutación).
-
-### Procedimiento
-
-Solo si en Paso 6 se aplicó al menos un Tipo A:
-
-1. **Ejecutar el auditor síncrono**:
-
-   ```bash
-   swl-ses audit-claudemd --json
-   ```
-
-   Si el script no está disponible en el proyecto destino (instalación
-   global vía npm), invocar:
-
-   ```bash
-   npx -y @saulwade/swl-ses@latest audit-claudemd --json
-   ```
-
-2. **Leer el JSON de respuesta** y evaluar `veredicto`:
-
-   | Veredicto | Acción |
-   |-----------|--------|
-   | `OK` | Continuar a Paso 7. El Tipo A se aplicó respetando el contrato. |
-   | `WARN` con regla `tamano-total` (líneas > umbral) | Aplicar protocolo de extracción (sub-paso 3) |
-   | `WARN` con regla `bullet-gigante` | Aplicar protocolo de condensación (sub-paso 4) |
-   | `WARN` con regla `duplicacion-reglas-globales` | **DETENER y reformular** — el Tipo A duplica regla global. Aplicar protocolo de duplicación (sub-paso 4.5) |
-   | `WARN` con otra regla (secciones, @references, karpathy) | Reportar al usuario pero permitir continuar |
-   | `ERROR` con regla `placeholders` | **DETENER** — revertir Tipo A y reportar al usuario |
-
-3. **Protocolo de extracción** (WARN líneas excedidas):
-
-   ```
-   El Tipo A aplicado dejó CLAUDE.md en [N] líneas (umbral: 200).
-
-   Opciones:
-   [A] Condensar la regla agregada a ≤3 líneas y re-escribir en CLAUDE.md
-   [B] Extraer el cuerpo a @docs/lessons-<tema-kebab>.md y dejar 1 línea
-       en CLAUDE.md: "- **<título>**: [resumen 1 línea]. Detalle en
-       @docs/lessons-<tema>.md"
-   [C] Aceptar el WARN y continuar (ajustar SWL_CLAUDEMD_MAX_LINES en
-       caso de que el límite real del proyecto sea mayor)
-
-   ¿Qué prefieres?
-   ```
-
-   Por defecto, recomendar **[B] Extraer** cuando el aprendizaje requiere
-   más de 5 líneas o incluye ejemplos de código. Recomendar **[A] Condensar**
-   cuando el aprendizaje cabe en 1-3 líneas sin perder accionabilidad.
-
-4. **Protocolo de condensación** (WARN bullet-gigante):
-
-   Un bullet/párrafo >1000 chars es ilegible. Convertir a tabla, lista
-   jerárquica o extraer a `@docs/`. NO dejar el bullet gigante aunque el
-   usuario lo apruebe — viola el contrato canónico de CLAUDE.md.
-
-4.5. **Protocolo de duplicación de reglas globales** (WARN `duplicacion-reglas-globales`):
-
-   Esto significa que el Tipo A aplicado **parafrasea una regla que ya
-   vive en `~/.claude/rules/`** y se carga globalmente. Duplicarla
-   inline en CLAUDE.md de proyecto viola la regla
-   `reglas/sin-duplicacion-reglas-globales.md`.
-
-   El auditor reporta cuál regla global se duplica y la línea
-   aproximada. Ejemplo de hallazgo:
-
-   ```
-   [WARN] Bloque duplica regla global `~/.claude/rules/brevedad-output.md`
-          (línea ~14)
-   ```
-
-   Acción obligatoria:
-
-   ```
-   El Tipo A que se acaba de agregar parafrasea la regla global
-   `~/.claude/rules/<archivo>.md` § <sección> (línea ~N).
-
-   Opciones:
-   [A] Eliminar el bloque local — la regla global YA aplica
-       automáticamente en cada sesión SWL.
-   [B] Reescribir el bloque como matiz local (≤3 líneas) que
-       nombra explícitamente la regla global:
-       "Convenciones locales del proyecto: <matiz>.
-        Ver @~/.claude/rules/<archivo>.md."
-   [C] Documentar override explícito con justificación:
-       "Override de ~/.claude/rules/<archivo>.md por <razón>."
-
-   ¿Qué prefieres?
-   ```
-
-   Por defecto, **recomendar [A] Eliminar** salvo que el bloque agregue
-   matiz local genuino del proyecto. NUNCA aceptar el WARN sin
-   resolución — eso convierte el comando en cómplice de la duplicación
-   que la regla prohíbe.
-
-5. **Re-ejecutar el auditor** tras la corrección hasta veredicto OK o
-   WARN consultivo aceptable (con confirmación explícita del usuario para
-   los WARN no resueltos).
-
-### Reglas duras
-
-- NUNCA pasar al Paso 7 con veredicto `ERROR placeholders`. Revertir el Tipo
-  A primero.
-- NUNCA aceptar `WARN tamano-total` o `WARN bullet-gigante` sin proponer al
-  menos una de las opciones [A]/[B]. El usuario debe decidir conscientemente
-  si vivir con el WARN.
-- Si el aprendizaje Tipo A genera 2+ secciones nuevas, evaluar si el
-  contenido pertenece a un archivo `@docs/lessons-<tema>.md` desde el inicio
-  en lugar de inline.
-
-### Anti-patrón explícito
-
-❌ Aplicar Tipo A inline sin Paso 6.5 → CLAUDE.md crece descontroladamente →
-contrato canónico violado silenciosamente → próxima ejecución de
-`/swl:claudemd audit` reporta WARN, pero el daño ya está en el commit.
-
-✅ Aplicar Tipo A → ejecutar auditor sync en Paso 6.5 → si hay drift,
-condensar o extraer → CLAUDE.md permanece dentro del contrato.
-
-## Paso 7 — APRENDIZAJES.md y reporte
-
-Crea o actualiza `.planning/APRENDIZAJES.md` con registro de la sesión: título, categoría, contexto, aprendizaje, acción tomada, métricas.
-
-```
-Extracción de aprendizajes completada.
-
-Aprendizajes procesados:
-- Reglas nuevas en CLAUDE.md del proyecto: [N]
-- Anti-patrones agregados a habilidades existentes: [N]
-- Nuevas habilidades creadas: [N] ([lista])
-- Mejoras de metodología aplicadas: [N]
-
-Archivos actualizados:
-[lista con rutas]
-```
-
-### Cierre del ciclo de nudges (obligatorio si este comando fue disparado por un nudge)
-
-Si esta ejecución atendió un nudge (de `auto-consolidacion.js` o cualquier
-otro visible en el briefing o en `evolution/nudges.jsonl`), márcalo como
-accionado — sin este cierre los nudges se acumulan sin consumidor:
-
-```bash
-swl-ses nudge-accionar <id-del-nudge> --por aprender
-```
-
-El `<id>` viene en el propio nudge (campo `id` del JSONL o del mensaje del
-hook). Si la sesión fue manual (sin nudge), omite este cierre.
-
-## Paso 7.3 — Diary estructurado de la sesión (opcional)
-
-Si la sesión generó al menos 3 aprendizajes aprobados (cualquier categoría),
-generar un diary estructurado en `.planning/sessions/diary/{id}.json` usando
-`scripts/lib/diary-entry.js`. Es **opcional**: si la sesión fue trivial o
-puramente exploratoria, omitir este paso.
-
-El diary captura — en formato consumible por máquinas — accomplishments,
-decisiones, challenges y aprendizajes clave. NO duplica APRENDIZAJES.md
-(que es prosa para humanos). El diary es derivado estructurado, alimenta
-búsquedas futuras y análisis cross-sesión.
-
-**Cuándo generar diary**:
-
-- La sesión cerró un slice o feature completa.
-- Se tomaron 1+ decisiones arquitectónicas registradas.
-- Se aprendieron 2+ patrones nuevos que aplicarán a sesiones futuras.
-- El usuario lo pide explícitamente.
-
-**Cuándo NO generar diary**:
-
-- Sesión exploratoria sin acciones de cambio.
-- Solo se respondieron preguntas técnicas sin tocar código.
-- Sesión < 30min sin commits.
-
-**Cómo generar** (subcomando del CLI, resuelve cross-scope; ver
-`docs/invocacion-cli-cross-scope.md`). Pasar el contenido como JSON por stdin:
-
-```bash
-echo '{
-  "sessionId": "<id-de-sesión>",
-  "agent": "orquestador-swl",
-  "accomplishments": ["<logro 1>"],
-  "decisions": ["<decisión 1 + razón>"],
-  "learnings": ["<aprendizaje clave 1>"],
-  "sourceAgents": ["implementador-swl"]
-}' | swl-ses diary-entry
-# fallback: ... | npx -y @saulwade/swl-ses@latest diary-entry
-```
-
-El subcomando construye la entrada, valida (`validateDiary`) y la persiste en
-`.planning/sessions/diary/<id>.json`, imprimiendo la ruta escrita. Reportar en
-el output:
-
-```
-Diary generado: .planning/sessions/diary/diary-YYYYMMDD-HASH.json
-  Logros: N | Decisiones: N | Challenges: N | Aprendizajes: N
-```
-
-## Paso 7.5 — Diagnóstico de agentes con fallos recurrentes (auto-evolución dirigida)
-
-Este paso se ejecuta **automáticamente** después de actualizar APRENDIZAJES.md.
-No requiere interacción del usuario salvo para confirmar evolución.
-
-### Objetivo
-
-Detectar agentes SWL que aparecen con ≥3 entradas de fallo en APRENDIZAJES.md
-y proponer `/swl:evolucionar` específicamente para esos agentes.
-
-Inspirado en el ciclo del PDF "A Practical Guide to Building Agents":
-> "Real-world failures → refine guardrails/instructions → iterate"
-
-### Procedimiento
-
-1. **Leer `.planning/APRENDIZAJES.md`** y contar entradas de fallo por agente:
-   - Solo contar líneas de **encabezado de entrada** (formato `## [YYYY-MM-DD] tipo — descripción`)
-     que sean de tipo `bug-fix`, `anti-patrón` o `fallo` Y mencionen un agente SWL en el mismo encabezado.
-   - Las menciones de agentes dentro del **cuerpo** de una entrada (contexto, ejemplos, plantillas)
-     no cuentan como fallos — evita falsos positivos por nombres en código o en secciones de revisión.
-
-2. **Construir tabla de fallos por agente**:
-   ```bash
-   # Solo buscar en líneas de encabezado (## [fecha]) con tipo de fallo
-   # que además mencionen un agente SWL en esa misma línea
-   grep -E "^## \[20[0-9]{2}-[0-9]{2}-[0-9]{2}\] (bug-fix|anti-patrón|fallo)" \
-     .planning/APRENDIZAJES.md \
-     | grep -oE "[a-z][a-z0-9-]+-swl" | sort | uniq -c | sort -rn | head -10
-   ```
-
-3. **Evaluar umbral**: Si algún agente tiene **≥3 fallos**, está calificado para evolución dirigida.
-
-4. **Presentar diagnóstico al usuario**:
-
-   ```
-   ── Diagnóstico de fallos por agente ──────────────────────
-   Se detectaron agentes con ≥3 entradas de fallo en APRENDIZAJES.md:
-
-   ┌─────────────────────────┬────────┬─────────────────────────────────────────┐
-   │ Agente                  │ Fallos │ Tipo de fallo más frecuente             │
-   ├─────────────────────────┼────────┼─────────────────────────────────────────┤
-   │ [nombre-agente-swl]     │   [N]  │ [descripción breve del patrón de fallo] │
-   └─────────────────────────┴────────┴─────────────────────────────────────────┘
-
-   ¿Deseas ejecutar /swl:evolucionar para estos agentes?
-   [S] Sí — evolucionar ahora (recomendado)
-   [N] No — registrar diagnóstico y continuar
-   [D] Detalle — ver entradas de fallo completas antes de decidir
-   ```
-
-5. **Si el usuario confirma (S)**:
-   - Ejecutar `/swl:evolucionar` pasando el nombre del agente con más fallos primero.
-   - Si hay múltiples agentes calificados, proponer evolucionar uno por sesión
-     (evitar sobrecarga de cambios simultáneos).
-
-6. **Si el usuario rechaza (N)**:
-   - Agregar una entrada en APRENDIZAJES.md:
-     ```
-     [diagnóstico] [FECHA] agente [nombre]: [N] fallos registrados, evolución pospuesta por usuario.
-     ```
-   - Esto permite que el próximo `/swl:aprender` detecte el patrón acumulado.
-
-7. **Si no hay agentes con ≥3 fallos**: omitir este paso completamente y reportar `Sistema en buen estado — ningún agente supera el umbral de fallos (≥3).`
-
-### Reglas de este paso
-
-- NUNCA proponer evolución sin evidencia en APRENDIZAJES.md (mínimo ≥3 entradas citables).
-- Los fallos deben ser en dominios distintos o fechas distintas — 3 menciones del mismo incidente no cuentan como 3 fallos.
-- Si el agente fue creado o evolucionado en los últimos 7 días, reducir el umbral requerido a ≥5 (darle tiempo de estabilizarse).
-
-## Reglas de comportamiento
-
-- NUNCA inventes aprendizajes sin evidencia de la sesión. Si no puedes citar de dónde viene, no lo incluyas.
-- NUNCA elimines reglas existentes de habilidades — solo agrega o marca como obsoletas.
-- Cada aprendizaje debe ser accionable: "hacer X en lugar de Y" es un aprendizaje. "El código es complejo" no lo es.
-- Si el usuario rechaza un aprendizaje, registra por qué en APRENDIZAJES.md.
-- Nuevas habilidades necesitan mínimo 5 reglas concretas; si son menos, agrégalas a una existente.
-- Prioriza calidad sobre cantidad — 3 aprendizajes precisos valen más que 15 vagos.
-
----
-
-## Modelo de memoria por niveles (clasificación de aprendizajes)
-
-Cada aprendizaje extraído tiene un nivel de madurez que determina dónde se
-almacena y cómo se consolida. Inspirado en el modelo de 4 niveles de agentmemory.
-
-| Nivel | Nombre | Almacenamiento | Ciclo de vida | Ejemplo |
-|-------|--------|---------------|---------------|---------|
-| **L1** | Working | Conversación actual | Se pierde al cerrar sesión si no se persiste | "Este endpoint necesita retry con backoff" |
-| **L2** | Episodic | `.planning/sessions/`, `.planning/APRENDIZAJES.md` | 30 días, se purga o promueve | "Sesión del 2026-04-10: resolvimos bug de N+1 en pedidos" |
-| **L3** | Semantic | `habilidades/*/SKILL.md`, `reglas/`, wiki/ | Permanente, se actualiza con evidencia | "SQLAlchemy async requiere selectinload, no lazy" |
-| **L4** | Procedural | Instintos (`instintos/`), prompts de agentes | Permanente, alta confianza | "Siempre verificar propagación de cambios antes de commit" |
-
-### Reglas de promoción entre niveles
-
-- **L1→L2**: Automático al persistir en APRENDIZAJES.md (Paso 6-7).
-- **L2→L3**: Cuando el aprendizaje se valida en **≥3 sesiones distintas** o el usuario lo confirma explícitamente como regla general. Se agrega como regla a un skill existente o se crea página wiki.
-- **L3→L4**: Cuando el aprendizaje semántico se ha confirmado en **≥5 sesiones** sin contradicciones y aplica a todo el proyecto. Se convierte en instinto con confianza ≥0.8.
-- **Degradación**: Un aprendizaje en cualquier nivel se degrada si evidencia posterior lo contradice (ver Paso 5.5).
-
-### Uso en consolidación
-
-Durante la consolidación (siguiente sección), usar estos niveles para decidir:
-- Qué entradas de APRENDIZAJES.md merecen promoverse a skills o wiki (L2→L3)
-- Qué instintos tienen suficiente evidencia para crearse o fortalecerse (L3→L4)
-- Qué entradas episódicas ya cumplieron su utilidad y pueden purgarse (L2 >30 días sin promoción)
-
-### Deduplicación con fingerprint
-
-Antes de persistir un aprendizaje nuevo, verificar que no sea duplicado de uno existente:
-
-```bash
-# Subcomando del CLI (resuelve cross-scope; ver docs/invocacion-cli-cross-scope.md).
-# Lee APRENDIZAJES.md, divide por '## ' y compara con umbral 0.6 por defecto.
-swl-ses near-duplicate --texto="[TEXTO_DEL_APRENDIZAJE_NUEVO]"
-# fallback: npx -y @saulwade/swl-ses@latest near-duplicate --texto="[TEXTO]"
-```
-
-Si es duplicado (similitud ≥0.6), fusionar con la entrada existente en vez de crear nueva.
-
----
-
-## Sección: Consolidación en 4 fases (modo autoDream)
-
-Cuando se ejecuta en modo consolidación (automático o por pedido del usuario),
-seguir estas 4 fases sin interacción. Inspirado en autoDream de Claude Code.
-
-### Fase 1 — Orient
-
-1. Leer `.planning/APRENDIZAJES.md` para entender qué ya está registrado.
-2. Leer `instintos/proyecto.yaml` para ver instintos activos y su confianza.
-3. Listar sesiones recientes: `ls -lt .planning/sessions/ | head -10`
-4. Leer `.planning/COMPACTACION.md` si existe para contexto del proyecto.
-
-### Fase 2 — Gather (señal reciente)
-
-1. Escanear las sesiones nuevas (las que tienen mtime posterior a la última consolidación).
-   Solo leer las más recientes (máximo 5 sesiones), no exhaustivamente.
-2. Buscar en cada sesión: errores resueltos, decisiones tomadas, patrones descubiertos.
-3. Buscar evidencia que contradiga aprendizajes o instintos existentes.
-4. **NO** leer el código fuente ni investigar — solo sintetizar lo que ya se hizo.
-
-### Fase 3 — Consolidate (curación de memoria)
-
-1. **Merge duplicados**: Si hay aprendizajes en APRENDIZAJES.md que dicen lo mismo
-   con distintas palabras, consolidar en una sola entrada más precisa.
-2. **Convertir fechas relativas a absolutas**: "ayer" → "2026-04-02", "la semana pasada" → "2026-03-26".
-3. **Eliminar hechos contradichos**: Si una sesión reciente muestra que un aprendizaje
-   anterior era incorrecto, eliminarlo o marcarlo como `[OBSOLETO]` con la razón.
-4. **Degradar instintos contradichos**: Si un instinto en `proyecto.yaml` fue contradicho
-   por evidencia de sesiones recientes, bajar su confianza (mínimo 0.1 por contradicción).
-5. **Promover instintos validados**: Si un instinto fue confirmado por evidencia
-   positiva en 3+ sesiones, subir su confianza (máximo +0.1 por confirmación).
-6. **Promoción L2→L3**: Buscar entradas en APRENDIZAJES.md con ≥3 marcas `[CONFIRMADO]`
-   y que no existan ya como regla en ningún skill. Proponer promoción a skill o wiki.
-7. **Promoción L3→L4**: Buscar reglas en skills con ≥5 confirmaciones en sesiones
-   distintas. Proponer creación de instinto con confianza 0.8.
-8. **Deduplicación**: Usar `isNearDuplicate()` de `hooks/lib/fingerprint-id.js`
-   para detectar entradas casi idénticas en APRENDIZAJES.md y fusionarlas.
-
-### Fase 4 — Prune e Índice
-
-1. **Limitar APRENDIZAJES.md a 100 entradas**: Eliminar las más antiguas y menos
-   accionables si supera el límite. Mantener siempre los anti-patrones críticos.
-2. **Eliminar sesiones muy antiguas** (> 30 días) de `.planning/sessions/` para
-   evitar crecimiento indefinido. Solo los archivos JSON, no la metadata.
-3. **Reportar lo hecho** al usuario:
-
-```
-Consolidación completada (modo autoDream):
-- Entradas en APRENDIZAJES.md: [antes] → [después] ([+N nuevas, -N eliminadas, N mergeadas])
-- Instintos actualizados: [N degradados, N promovidos]
-- Fechas normalizadas: [N]
-- Contradicciones detectadas y resueltas: [N]
-- Sesiones antiguas purgadas: [N]
-```
-
-### Fase 4.5 — Lint del wiki (si existe)
-
-Si el proyecto tiene `.planning/knowledge/wiki/`, ejecutar health check del wiki
-como parte de la consolidación:
-
-```bash
-# Detectar si existe el wiki del proyecto
-ls .planning/knowledge/wiki/ 2>/dev/null | wc -l
-```
-
-Si hay páginas en el wiki (resultado > 0), ejecutar:
-
-1. **Detectar páginas huérfanas** (sin referencias desde otras páginas):
-   ```bash
-   # Listar todas las páginas del wiki
-   ls .planning/knowledge/wiki/*.md | grep -v "INDEX.md" | grep -v "log.md"
-   # Verificar cuáles no aparecen referenciadas en otras páginas
-   for PAGE in .planning/knowledge/wiki/*.md; do
-     NOMBRE=$(basename "$PAGE" .md)
-     REFS=$(grep -l "\[\[$NOMBRE\]\]" .planning/knowledge/wiki/*.md 2>/dev/null | wc -l)
-     echo "$REFS refs: $NOMBRE"
-   done | grep "^0"
-   ```
-
-2. **Detectar claims sin fuente en raw/**:
-   - Buscar afirmaciones en wiki/ que referencien fuentes no presentes en `raw/`
-   - Marcar con `[SIN-FUENTE]` para revisión posterior
-
-3. **Detectar páginas no enlazadas desde INDEX.md**:
-   ```bash
-   # Páginas en wiki/ que no aparecen en INDEX.md
-   comm -23 \
-     <(ls .planning/knowledge/wiki/*.md | xargs -I{} basename {} .md | sort) \
-     <(grep -oE '\[\[.+\]\]' .planning/knowledge/wiki/INDEX.md | tr -d '[]' | sort)
-   ```
-
-4. **Reportar resultados del lint en el log**:
-   ```bash
-   echo "## [$(date +%Y-%m-%d)] lint | wiki health check" >> .planning/knowledge/log.md
-   echo "- Páginas huérfanas: [N]" >> .planning/knowledge/log.md
-   echo "- Claims sin fuente: [N]" >> .planning/knowledge/log.md
-   echo "- Páginas fuera del índice: [N]" >> .planning/knowledge/log.md
-   ```
-
-Si no hay wiki, omitir esta fase y continuar a Fase 4.
-
-### Reglas de consolidación
-
-- NUNCA eliminar un aprendizaje sin evidencia de que es incorrecto. Antigüedad sola no justifica eliminación — solo irrelevancia o contradicción.
-- NUNCA leer transcripts exhaustivamente. Escanear títulos y buscar keywords específicos.
-- Máximo 10 minutos de trabajo total. Si hay demasiado por consolidar, priorizar contradicciones y duplicados.
-- Registrar la consolidación en el lock file para que el hook no vuelva a sugerir hasta la próxima ventana de 24h.
-- **NUNCA persistir un aprendizaje que contradiga el wiki sin resolver la contradicción primero** (ver Paso 5.5).
+---
+name: swl:aprender
+description: Extrae aprendizajes de la sesión de trabajo actual. Analiza patrones de errores, decisiones y soluciones para generar nuevas reglas y habilidades que mejoran el sistema. Actualiza CLAUDE.md del proyecto y propone nuevas habilidades al sistema SWL.
+allowed_tools: ["Read", "Write", "Edit", "Bash", "Glob", "Grep"]
+---
+
+# /swl:aprender — Extracción de aprendizajes y mejora del sistema
+
+Eres el extractor de conocimiento del sistema SWL. Transformas la experiencia acumulada en una sesión de trabajo en conocimiento estructurado y reutilizable. Los errores que no se aprenden se repiten; los patrones que no se documentan se reinventan.
+
+## Relación con otros canales de aprendizaje
+
+SWL tiene **tres canales independientes** de aprendizaje. Son complementarios, no solapados:
+
+| Canal | Produce | Disparadores | Escribe en |
+|-------|---------|--------------|------------|
+| `/swl:aprender` *(este comando)* | Conocimiento del dominio (anti-patrones, patrones, gotchas, decisiones) | Manual o nudge de `auto-consolidacion.js` (≥24h + ≥5 sesiones) | `APRENDIZAJES.md`, skills, `CLAUDE.md` |
+| `/swl:evolucionar` | Mejoras al sistema SWL (versionado de agentes/skills, patches, splits, deprecaciones) | Manual o nudge de `auto-evolucion.js` (≥3 fallos o ≥10 runs/14d de un agente) | `agentes/*.md`, `habilidades/*/SKILL.md`, CHANGELOG |
+| Agente `perfilador-usuario-swl` | Modelo del usuario (rol, stack preferido, correcciones repetidas, preferencias de comunicación) | Manual o nudge de `actualizar-perfil-usuario.js` (≥3 señales acumuladas) | `instintos/perfil-usuario.yaml` |
+
+**Reglas de ruteo** cuando un aprendizaje podría ir a más de un canal:
+
+- Tipo A/B/C (regla de proyecto, anti-patrón, nuevo skill) → **este comando**.
+- Tipo D (mejora de metodología del SISTEMA SWL, no del proyecto) → **`/swl:evolucionar`**.
+- Preferencia personal del usuario (cómo quiere que le hablen, qué stack prefiere,
+  qué correcciones repite) → **`perfilador-usuario-swl`**, NO este comando.
+  Este comando nunca escribe al perfil; solo genera conocimiento del dominio.
+- Si la duda persiste: el canal correcto es aquel cuyo destino (APRENDIZAJES/skill
+  vs. agente/skill SWL vs. perfil) es donde *otro agente* lo buscaría la próxima vez.
+
+## Cuándo usar este comando
+
+- Al final de una fase ejecutada exitosamente
+- Después de resolver un bug difícil
+- Cuando se tomó una decisión de arquitectura importante
+- Cuando un patrón de implementación resultó mejor de lo esperado
+- Cuando algo del plan fue consistentemente incorrecto
+- Cuando el hook `auto-consolidacion.js` lo sugiere (>= 24h y >= 5 sesiones nuevas)
+
+## Modo de ejecución
+
+Este comando tiene 2 modos:
+
+1. **Interactivo** (default): El usuario dirige qué analizar. Sigue los Pasos 0-7 completos.
+2. **Consolidación automática**: Se ejecuta cuando el hook `auto-consolidacion.js` lo sugiere o el usuario dice "consolida". Sigue el flujo de 4 fases inspirado en autoDream (ver sección al final).
+
+Si el usuario dice "consolida", "consolida memoria", "auto-dream" o similar, saltar directamente a la **Sección: Consolidación en 4 fases** al final de este comando.
+
+---
+
+## Paso 0 — Carga de habilidades
+
+```
+Skill("extractor-de-aprendizajes")
+Skill("aprendizaje-continuo")
+```
+
+El skill `extractor-de-aprendizajes` define el ciclo de mejora continua, los 4 tipos de aprendizajes (anti-patrón, patrón positivo, gotcha, decisión de proyecto), el protocolo de extracción completo (capturar contexto, determinar destino, escribir regla con formato MAL/BIEN, integrar al skill), la plantilla para nuevos skills y los indicadores de calidad.
+
+El skill `aprendizaje-continuo` define el sistema de instintos con niveles de confianza, scopes (proyecto/dominio/global) y evolución.
+
+## Paso 1 — Definición del alcance
+
+Pregunta al usuario:
+
+```
+¿De qué quieres extraer aprendizajes?
+
+1. De la sesión completa de trabajo actual
+2. De la resolución de un problema específico (describe cuál)
+3. De una fase específica que acaba de completarse (¿cuál fase?)
+4. De decisiones de arquitectura tomadas en este proyecto
+5. Todo lo anterior
+
+Escribe el número o describe lo que prefieres analizar.
+```
+
+Espera respuesta. Adapta los pasos siguientes según el alcance.
+
+## Paso 2 — Recolección de evidencia
+
+Según el alcance elegido, recolecta:
+
+- **Sesión completa**: commits recientes (`git log --oneline --since="8 hours ago"`), archivos modificados, RESUMEN.md, VERIFICACION.md, ESTADO.md, COMPACTACION.md
+- **Problema específico**: pide al usuario: síntoma, tiempo de resolución, qué NO funcionó, qué lo resolvió, archivos relevantes
+- **Fase específica**: lee CONTEXTO.md, PLAN.md, RESUMEN.md, VERIFICACION.md de la fase
+
+### Filtro crítico OBLIGATORIO sobre reportes de sub-agentes Explore
+
+Cuando se delega análisis a sub-agentes (especialmente `Explore` analizando papers
+académicos, repositorios externos o documentación extensa), los reportes producidos
+tienden a sobreestimar costos de implementación y proponer alcances over-engineered
+(50h+ cuando el patrón portable real cabe en 5-10h).
+
+**Antes de incorporar cualquier propuesta del sub-agente al Paso 3 de análisis**,
+aplicar este filtro de 4 preguntas:
+
+1. **¿Qué porcentaje del paper/repo es teoría académica vs. patrón portable?**
+   Si >70% es teoría (pruebas formales, demostraciones de Lyapunov, complejidad
+   PAC, etc.), el patrón portable real es mucho menor de lo que el sub-agente sugiere.
+
+2. **¿La propuesta requiere reescribir mecanismos existentes en SWL?**
+   Si sí, descartar — SWL ya tiene drift-detector, recovery, observabilidad. La
+   integración correcta es **extender**, no **reemplazar**.
+
+3. **¿Cuántas líneas de código nuevas estima el sub-agente vs. cuántas se podrían
+   ahorrar reutilizando lo existente?**
+   Si la propuesta supera 500 LOC nuevas para un solo patrón, hay sobre-ingeniería.
+
+4. **¿El alcance reducido (~5-10h) cubre el 80% del valor del paper?**
+   Aplicar Pareto: identificar el patrón mínimo que captura la mayor parte del
+   beneficio, descartar el resto como "puede esperar".
+
+**Anti-patrón observado** (sesión 2026-04-25): un sub-agente Explore propuso 50h+
+de trabajo para implementar Bhardwaj 2026 completo (SPRT secuencial, verificación
+formal, compositionality theorems). Tras filtro crítico: solo Drift Score formalizado
++ Recovery Catalog eran portables (~3h reales). El resto era teoría académica
+no integrable a un sistema de producción.
+
+Documentar el filtro aplicado en el reporte final con formato:
+
+```
+Sub-agente Explore propuso: [resumen]
+Filtro crítico aplicado: [cuáles de las 4 preguntas tuvieron señal de alarma]
+Alcance final aprobado: [propuesta reducida con justificación]
+Descartado: [lo que NO se implementa y por qué]
+```
+
+## Paso 3 — Análisis de patrones
+
+Analiza la evidencia en 5 categorías:
+
+1. **Errores recurrentes** — mismo tipo de error en múltiples slices o archivos. Extrae: tipo, causa raíz, regla preventiva, detección temprana.
+2. **Decisiones de arquitectura** — alternativa elegida, criterio, resultado final.
+3. **Patrones exitosos** — código o estructuras reutilizables que resolvieron problemas elegantemente.
+4. **Estimaciones vs realidad** — slices sobre/subestimados y causas de las diferencias.
+5. **Gaps del sistema** — skills con información faltante, skills inexistentes, reglas incorrectas.
+
+## Paso 4 — Clasificación de aprendizajes
+
+Clasifica cada aprendizaje según los tipos definidos en `Skill("extractor-de-aprendizajes")`:
+
+| Tipo | Destino | Ejemplo |
+|------|---------|---------|
+| **A — Regla de proyecto** | `CLAUDE.md` del proyecto | Convención de nombrado específica |
+| **B — Anti-patrón general** | Skill existente (sección apropiada) | Bug recurrente de SQLAlchemy async |
+| **C — Nueva habilidad** | Nuevo directorio en `habilidades/` | Patrones de integración con API específica |
+| **D — Mejora de metodología** | Comando SWL correspondiente | Preguntas faltantes en discutir-fase |
+
+### Priorización por rating (aplicar consistentemente)
+
+Tras clasificar por tipo, cada aprendizaje recibe un **rating HIGH / MEDIUM / LOW**
+según los criterios de `Skill("extractor-de-aprendizajes")` (sección "Clasificación
+automática por impacto"):
+
+| Rating | Criterio | Acción |
+|--------|----------|--------|
+| **HIGH** | Decisión irreversible, bug crítico que costó >1h de diagnóstico, cambio de patrón mayor, incumplimiento de regla ya conocida | Promover inmediatamente al skill/comando destino; aparece primero en la presentación del Paso 5 |
+| **MEDIUM** | Gotcha documentado con causa + fix, patrón confirmado ≥2 veces en la sesión, anti-patrón operativo | Integrar al skill destino en la iteración actual |
+| **LOW** | Observación contextual, preferencia menor, dato informativo, refinamiento de redacción | Mantener solo en APRENDIZAJES.md como registro; **NO** promover a skill a menos que el usuario lo solicite explícitamente |
+
+**Regla de priorización obligatoria cuando `alcance = "todo"`**: los aprendizajes
+se presentan en el Paso 5 **ordenados por rating (HIGH → MEDIUM → LOW)**, no en
+orden de descubrimiento. Esto evita que observaciones menores (estilo, formato,
+preferencias) diluyan la señal de los gotchas de alto impacto. El usuario debe
+poder leer solo el bloque HIGH y decidir si procede, sin scroll innecesario.
+
+**Fracción típica esperada**: en una sesión productiva, <20% de aprendizajes son
+HIGH, 40-60% MEDIUM, el resto LOW. Si la distribución está invertida (mayoría
+HIGH), probablemente se está sobre-clasificando — revisar criterios.
+
+**Anti-patrón**: presentar 30 aprendizajes planos sin rating → el usuario aprueba
+en bloque por fatiga y se integran observaciones menores a skills donde degradan
+la señal/ruido. Siempre aplicar el rating antes del Paso 5.
+
+## Paso 5 — Presentación y confirmación
+
+Presenta los aprendizajes clasificados al usuario ANTES de modificar archivos,
+**ordenados por rating HIGH → MEDIUM → LOW dentro de cada tipo** (ver Paso 4,
+sección "Priorización por rating"):
+
+```
+Identifiqué [N] aprendizajes de la sesión (ordenados por impacto):
+
+🔴 RATING HIGH ([N]):
+  TIPO A — Reglas para este proyecto ([N_a_high]):
+    1. [regla]: [descripción]
+  TIPO B — Anti-patrones generales ([N_b_high]):
+    1. [anti-patrón]: [descripción y corrección]
+  TIPO D — Mejoras de metodología ([N_d_high]):
+    1. [mejora]: [qué cambiaría]
+
+🟡 RATING MEDIUM ([N]):
+  TIPO B — Anti-patrones generales ([N_b_med]):
+    1. [anti-patrón]: [descripción y corrección]
+  TIPO C — Nueva habilidad propuesta ([N_c_med]):
+    1. [nombre propuesto]: [qué cubriría]
+
+🔵 RATING LOW ([N]) — solo registrar, no promover:
+  1. [observación breve]
+  2. [observación breve]
+
+¿Apruebas los HIGH y MEDIUM? ¿Algún LOW quieres promover manualmente?
+¿Hay alguno incorrecto o que no identifiqué?
+```
+
+**Criterios de aceptación de la presentación**:
+- Si `alcance = "todo"` y la lista tiene más de 15 aprendizajes, NO presentar todos
+  planos; agrupar por rating y mostrar primero el bloque HIGH completo, luego
+  resumen contado de MEDIUM/LOW con opción "ver detalle" si el usuario lo pide.
+- Si no hay ningún aprendizaje HIGH, reportar explícitamente *"sin aprendizajes
+  de alto impacto"* — es señal válida, no falla del proceso.
+- Nunca promover LOW automáticamente. Los LOW quedan en APRENDIZAJES.md como
+  registro y pueden consolidarse después si se confirman ≥3 veces (ver skill
+  `extractor-de-aprendizajes` sección "Consolidación con vigencia").
+
+Espera respuesta. Ajusta según feedback.
+
+## Paso 5.5 — Guard anti-compounding ANTES de persistir
+
+> "When outputs get filed back, errors compound too." — @HFloyd sobre el sistema de Karpathy
+>
+> Este paso se ejecuta OBLIGATORIAMENTE entre la aprobación del usuario (Paso 5)
+> y la escritura de los aprendizajes (Paso 6). Su propósito es detectar contradicciones
+> ANTES de que entren al knowledge base — no después.
+
+### Verificación de consistencia por cada aprendizaje aprobado
+
+Para **cada aprendizaje del tipo A o B** que el usuario aprobó, ejecutar:
+
+```bash
+# Buscar el contenido del aprendizaje nuevo en APRENDIZAJES.md
+# para detectar si ya existe algo que lo contradiga
+grep -i "[KEYWORD_DEL_APRENDIZAJE]" .planning/APRENDIZAJES.md | head -10
+```
+
+Evaluar el resultado en 3 categorías:
+
+| Resultado | Acción |
+|-----------|--------|
+| **No hay entradas previas** relacionadas | Persistir directamente — no hay riesgo de compounding |
+| **Hay entradas previas que CONFIRMAN** el nuevo aprendizaje | Persistir y marcar como `[CONFIRMADO x2]` para aumentar confianza |
+| **Hay entradas previas que CONTRADICEN** el nuevo aprendizaje | **DETENER** — ver protocolo de resolución abajo |
+
+### Protocolo de resolución de contradicción pre-persistencia
+
+Si se detecta contradicción entre un aprendizaje nuevo y uno existente:
+
+1. **Presentar al usuario la contradicción explícitamente**:
+
+```
+⚠ Contradicción detectada antes de persistir:
+
+APRENDIZAJE NUEVO (de esta sesión):
+  "[texto del aprendizaje nuevo]"
+
+APRENDIZAJE EXISTENTE (APRENDIZAJES.md, línea N):
+  "[texto del aprendizaje anterior]"
+
+¿Cómo resolver?
+[A] El nuevo es correcto — reemplazar el anterior (con fecha y razón)
+[B] El anterior es correcto — descartar el nuevo
+[C] Ambos son válidos en contextos distintos — fusionar con condición explícita
+[D] Necesito más evidencia — posponer ambos hasta tener más datos
+```
+
+2. **No persistir ninguno** hasta que el usuario resuelva.
+
+3. **Registrar la resolución** en el log del wiki si existe:
+   ```bash
+   echo "## [$(date +%Y-%m-%d)] contradicción-resuelta | [tema]" >> .planning/knowledge/log.md
+   ```
+
+### Verificación adicional: consistencia con el wiki
+
+Si existe `.planning/knowledge/wiki/` en el proyecto:
+
+```bash
+# Verificar si hay una página wiki que trate el mismo tema
+ls .planning/knowledge/wiki/ 2>/dev/null | grep -i "[keyword]"
+```
+
+Si existe una página wiki relevante:
+- Leerla antes de persistir el aprendizaje
+- Si el nuevo aprendizaje contradice la página wiki: actualizar la wiki también
+- Agregar al log del wiki: `## [FECHA] update | [página] — actualizado por nuevo aprendizaje`
+
+**Regla clave**: el aprendizaje nuevo y la página wiki deben ser consistentes.
+Un aprendizaje que contradice la wiki sin actualizar la wiki = compounding error garantizado.
+
+## Paso 6 — Aplicación de aprendizajes aprobados
+
+Aplica cada tipo siguiendo el protocolo del skill:
+
+- **TIPO A**: agrega reglas en `CLAUDE.md` del proyecto en la sección apropiada. NUNCA elimines reglas existentes.
+- **TIPO B**: escribe la regla en el skill correspondiente usando el formato del skill (NUNCA/SIEMPRE + Problema + código MAL vs BIEN). Usa la tabla de destinos del skill para elegir dónde.
+- **TIPO C**: crea nuevo directorio en `habilidades/` con SKILL.md completo (frontmatter + cuándo activar + reglas + anti-patrones). Mínimo 5 reglas concretas para justificar skill separado.
+- **TIPO D**: modifica el comando SWL correspondiente en `comandos/swl/`.
+
+**OBLIGATORIO — Dos acciones acopladas por cada archivo modificado** (TIPO B y D).
+
+Marcar `evolved` y bumpear la versión interna del componente son **dos operaciones complementarias que SIEMPRE se aplican juntas**, nunca una sin la otra. El flag `evolved` protege contra reinstalación; el bump de `version` comunica al resto del sistema (auditorías, `/swl:status salud`, consumidores) que el contenido del componente cambió desde la última revisión. Omitir el bump hace el cambio invisible aunque el flag esté puesto.
+
+### Acción 1 — Marcar como evolved
+
+Usar el subcomando del CLI (resuelve cross-scope; ver
+`docs/invocacion-cli-cross-scope.md`):
+
+```bash
+swl-ses mark-evolved "[RUTA_ARCHIVO_MODIFICADO]" \
+  --by=aprender \
+  --note="[tipo de aprendizaje: anti-patrón / mejora de metodología]"
+# fallback: npx -y @saulwade/swl-ses@latest mark-evolved "[RUTA]" --by=aprender --note="..."
+```
+
+`--from` se infiere del `package.json` del CWD si se omite.
+
+`markAsEvolved` registra automáticamente `evolved-at` con la fecha del día en formato ISO (`YYYY-MM-DD`) — no hay que pasarla manualmente. Escribe en el frontmatter los 5 campos siguientes:
+
+```yaml
+evolved: true
+evolved-from: "[versión del sistema al momento del cambio]"
+evolved-at: "[fecha ISO del día — agregada automáticamente]"
+evolved-by: "aprender"
+evolved-note: "[nota pasada como meta.note]"
+```
+
+Si Bash no está disponible y se edita el frontmatter manualmente, **incluir obligatoriamente la fecha ISO de hoy en `evolved-at`**. Una entrada `evolved: true` sin fecha es inválida — sin fecha no se puede auditar cuándo ocurrió la evolución ni priorizar cambios recientes en `/swl:status salud`.
+
+### Acción 2 — Bumpear la versión interna del componente
+
+Solo aplica a agentes y skills (los comandos SWL no versionan internamente; para comandos, basta con la Acción 1).
+
+Leer el campo `version` del frontmatter y aplicar SemVer según el tipo de cambio:
+
+| Cambio aplicado al componente | Bump |
+|-------------------------------|------|
+| Gotcha nuevo, regla nueva, corrección de redacción | **PATCH** (1.0.0 → 1.0.1) |
+| Sección completa nueva, nueva categoría de contenido, cambio significativo de alcance | **MINOR** (1.0.0 → 1.1.0) |
+| Redefinición incompatible (renombrar campo obligatorio, cambiar contrato de invocación) | **MAJOR** (1.0.0 → 2.0.0) |
+
+Edit el frontmatter del archivo:
+```yaml
+version: "1.0.1"   # era "1.0.0"
+```
+
+**SIN MARCADO DE EVOLVED**: los cambios se perderán en la próxima actualización de SWL.
+**SIN BUMP DE VERSIÓN**: el cambio será invisible al resto del sistema aunque el contenido del archivo haya cambiado.
+**Las dos acciones son OBLIGATORIAS para cualquier modificación de contenido de skill o agente.**
+
+### Verificación automática al final del Paso 6
+
+Antes de pasar al Paso 7, ejecutar OBLIGATORIAMENTE el verificador que valida que TODOS los archivos de `agentes/` y `habilidades/` modificados en la sesión tengan ambos metadatos actualizados. No es opcional — es una gate de calidad del comando:
+
+```bash
+# Verifica archivos modificados desde el último commit del usuario
+# (ajustar --since según el alcance de la sesión de aprender)
+npx -y @saulwade/swl-ses@latest verify-evolution --changed --since=HEAD~1
+```
+
+El script revisa cada agente/skill modificado contra 4 criterios:
+
+1. Campo `version` presente en el frontmatter
+2. `evolved: true` registrado (en frontmatter o en `<dir>/.evolved.json`)
+3. Metadatos `evolved-from`, `evolved-at`, `evolved-by` completos con fecha en formato ISO `YYYY-MM-DD`
+4. Campo `version` bumpado respecto al HEAD de git si el archivo tiene diff real
+
+**Exit codes**:
+- `0` — todo OK, continuar al Paso 7
+- `1` — al menos un archivo falla. **NO continuar al Paso 7**. Corregir cada gap reportado y volver a ejecutar hasta que pase. El reporte indica el problema exacto y el archivo afectado.
+- `2` — error de invocación (archivo no existe, argumentos inválidos)
+
+Ejemplo de output en éxito:
+```
+[OK] agentes/release-manager-swl.md: version=1.0.1 (era 1.0.0), evolved=true
+[OK] habilidades/manejo-errores/SKILL.md: version=1.0.1 (era 1.0.0), evolved=true
+Resultado: 2/2 OK
+```
+
+Ejemplo de output en fallo que obliga a corregir antes de continuar:
+```
+[FALLA] habilidades/foo/SKILL.md: contenido modificado pero `version` no bumpada (sigue en 1.0.0) | version=1.0.0, evolved=true
+[FALLA] habilidades/bar/SKILL.md: `evolved` no encontrado (ni en frontmatter ni en .evolved.json del directorio) | version=1.1.0, evolved=n/a
+Resultado: 0/2 OK, 2 con fallos
+```
+
+Si el verificador reporta fallo, corregir el archivo puntual (agregar bump o ejecutar `markAsEvolved()`), NO saltarse la verificación. El gap que esta verificación cierra es exactamente el que el usuario detectó al auditar la sesión de aprender del 2026-04-20: `markAsEvolved` ejecutado sin bump de `version` → cambio invisible al resto del sistema pese a que el archivo quedó protegido contra reinstalación.
+
+## Paso 6.5 — Validación de CLAUDE.md tras aplicar Tipo A (auditor síncrono)
+
+> Este paso es **OBLIGATORIO** si en Paso 6 se aplicó al menos un aprendizaje
+> Tipo A (regla agregada a `CLAUDE.md` del proyecto). El hook
+> `claudemd-bloat-detector.js` ya emite nudge async cuando se modifica
+> `CLAUDE.md`, pero el nudge llega DESPUÉS del Paso 7 — y el comando
+> habría seguido sin saber que el contrato canónico se rompió.
+>
+> Este Paso 6.5 invoca el auditor SÍNCRONAMENTE, antes de pasar a Paso 7.
+
+### Por qué existe este paso
+
+`/swl:aprender` y `/swl:claudemd` operan sobre el mismo archivo desde
+ángulos distintos: aprender **muta**, claudemd **prescribe contrato**. Sin
+validación cruzada, una sesión de aprender puede agregar 25 líneas inline
+a un CLAUDE.md que estaba en 195 LOC → resultado 220 LOC, WARN líneas,
+contrato roto silenciosamente.
+
+Origen del gap: detectado en sesión 2026-05-22 al evaluar el flujo
+SIGAF→swl-ses (CLAUDE.md SIGAF recibió ~25 líneas inline de
+"Triangulación schema cross-stack" sin validación post-mutación).
+
+### Procedimiento
+
+Solo si en Paso 6 se aplicó al menos un Tipo A:
+
+1. **Ejecutar el auditor síncrono**:
+
+   ```bash
+   swl-ses audit-claudemd --json
+   ```
+
+   Si el script no está disponible en el proyecto destino (instalación
+   global vía npm), invocar:
+
+   ```bash
+   npx -y @saulwade/swl-ses@latest audit-claudemd --json
+   ```
+
+2. **Leer el JSON de respuesta** y evaluar `veredicto`:
+
+   | Veredicto | Acción |
+   |-----------|--------|
+   | `OK` | Continuar a Paso 7. El Tipo A se aplicó respetando el contrato. |
+   | `WARN` con regla `tamano-total` (líneas > umbral) | Aplicar protocolo de extracción (sub-paso 3) |
+   | `WARN` con regla `bullet-gigante` | Aplicar protocolo de condensación (sub-paso 4) |
+   | `WARN` con regla `duplicacion-reglas-globales` | **DETENER y reformular** — el Tipo A duplica regla global. Aplicar protocolo de duplicación (sub-paso 4.5) |
+   | `WARN` con otra regla (secciones, @references, karpathy) | Reportar al usuario pero permitir continuar |
+   | `ERROR` con regla `placeholders` | **DETENER** — revertir Tipo A y reportar al usuario |
+
+3. **Protocolo de extracción** (WARN líneas excedidas):
+
+   ```
+   El Tipo A aplicado dejó CLAUDE.md en [N] líneas (umbral: 200).
+
+   Opciones:
+   [A] Condensar la regla agregada a ≤3 líneas y re-escribir en CLAUDE.md
+   [B] Extraer el cuerpo a @docs/lessons-<tema-kebab>.md y dejar 1 línea
+       en CLAUDE.md: "- **<título>**: [resumen 1 línea]. Detalle en
+       @docs/lessons-<tema>.md"
+   [C] Aceptar el WARN y continuar (ajustar SWL_CLAUDEMD_MAX_LINES en
+       caso de que el límite real del proyecto sea mayor)
+
+   ¿Qué prefieres?
+   ```
+
+   Por defecto, recomendar **[B] Extraer** cuando el aprendizaje requiere
+   más de 5 líneas o incluye ejemplos de código. Recomendar **[A] Condensar**
+   cuando el aprendizaje cabe en 1-3 líneas sin perder accionabilidad.
+
+4. **Protocolo de condensación** (WARN bullet-gigante):
+
+   Un bullet/párrafo >1000 chars es ilegible. Convertir a tabla, lista
+   jerárquica o extraer a `@docs/`. NO dejar el bullet gigante aunque el
+   usuario lo apruebe — viola el contrato canónico de CLAUDE.md.
+
+4.5. **Protocolo de duplicación de reglas globales** (WARN `duplicacion-reglas-globales`):
+
+   Esto significa que el Tipo A aplicado **parafrasea una regla que ya
+   vive en `~/.claude/rules/`** y se carga globalmente. Duplicarla
+   inline en CLAUDE.md de proyecto viola la regla
+   `reglas/sin-duplicacion-reglas-globales.md`.
+
+   El auditor reporta cuál regla global se duplica y la línea
+   aproximada. Ejemplo de hallazgo:
+
+   ```
+   [WARN] Bloque duplica regla global `~/.claude/rules/brevedad-output.md`
+          (línea ~14)
+   ```
+
+   Acción obligatoria:
+
+   ```
+   El Tipo A que se acaba de agregar parafrasea la regla global
+   `~/.claude/rules/<archivo>.md` § <sección> (línea ~N).
+
+   Opciones:
+   [A] Eliminar el bloque local — la regla global YA aplica
+       automáticamente en cada sesión SWL.
+   [B] Reescribir el bloque como matiz local (≤3 líneas) que
+       nombra explícitamente la regla global:
+       "Convenciones locales del proyecto: <matiz>.
+        Ver @~/.claude/rules/<archivo>.md."
+   [C] Documentar override explícito con justificación:
+       "Override de ~/.claude/rules/<archivo>.md por <razón>."
+
+   ¿Qué prefieres?
+   ```
+
+   Por defecto, **recomendar [A] Eliminar** salvo que el bloque agregue
+   matiz local genuino del proyecto. NUNCA aceptar el WARN sin
+   resolución — eso convierte el comando en cómplice de la duplicación
+   que la regla prohíbe.
+
+5. **Re-ejecutar el auditor** tras la corrección hasta veredicto OK o
+   WARN consultivo aceptable (con confirmación explícita del usuario para
+   los WARN no resueltos).
+
+### Reglas duras
+
+- NUNCA pasar al Paso 7 con veredicto `ERROR placeholders`. Revertir el Tipo
+  A primero.
+- NUNCA aceptar `WARN tamano-total` o `WARN bullet-gigante` sin proponer al
+  menos una de las opciones [A]/[B]. El usuario debe decidir conscientemente
+  si vivir con el WARN.
+- Si el aprendizaje Tipo A genera 2+ secciones nuevas, evaluar si el
+  contenido pertenece a un archivo `@docs/lessons-<tema>.md` desde el inicio
+  en lugar de inline.
+
+### Anti-patrón explícito
+
+❌ Aplicar Tipo A inline sin Paso 6.5 → CLAUDE.md crece descontroladamente →
+contrato canónico violado silenciosamente → próxima ejecución de
+`/swl:claudemd audit` reporta WARN, pero el daño ya está en el commit.
+
+✅ Aplicar Tipo A → ejecutar auditor sync en Paso 6.5 → si hay drift,
+condensar o extraer → CLAUDE.md permanece dentro del contrato.
+
+## Paso 7 — APRENDIZAJES.md y reporte
+
+Crea o actualiza `.planning/APRENDIZAJES.md` con registro de la sesión: título, categoría, contexto, aprendizaje, acción tomada, métricas.
+
+```
+Extracción de aprendizajes completada.
+
+Aprendizajes procesados:
+- Reglas nuevas en CLAUDE.md del proyecto: [N]
+- Anti-patrones agregados a habilidades existentes: [N]
+- Nuevas habilidades creadas: [N] ([lista])
+- Mejoras de metodología aplicadas: [N]
+
+Archivos actualizados:
+[lista con rutas]
+```
+
+### Cierre del ciclo de nudges (obligatorio si este comando fue disparado por un nudge)
+
+Si esta ejecución atendió un nudge (de `auto-consolidacion.js` o cualquier
+otro visible en el briefing o en `evolution/nudges.jsonl`), márcalo como
+accionado — sin este cierre los nudges se acumulan sin consumidor:
+
+```bash
+swl-ses nudge-accionar <id-del-nudge> --por aprender
+```
+
+El `<id>` viene en el propio nudge (campo `id` del JSONL o del mensaje del
+hook). Si la sesión fue manual (sin nudge), omite este cierre.
+
+## Paso 7.3 — Diary estructurado de la sesión (opcional)
+
+Si la sesión generó al menos 3 aprendizajes aprobados (cualquier categoría),
+generar un diary estructurado en `.planning/sessions/diary/{id}.json` usando
+`scripts/lib/diary-entry.js`. Es **opcional**: si la sesión fue trivial o
+puramente exploratoria, omitir este paso.
+
+El diary captura — en formato consumible por máquinas — accomplishments,
+decisiones, challenges y aprendizajes clave. NO duplica APRENDIZAJES.md
+(que es prosa para humanos). El diary es derivado estructurado, alimenta
+búsquedas futuras y análisis cross-sesión.
+
+**Cuándo generar diary**:
+
+- La sesión cerró un slice o feature completa.
+- Se tomaron 1+ decisiones arquitectónicas registradas.
+- Se aprendieron 2+ patrones nuevos que aplicarán a sesiones futuras.
+- El usuario lo pide explícitamente.
+
+**Cuándo NO generar diary**:
+
+- Sesión exploratoria sin acciones de cambio.
+- Solo se respondieron preguntas técnicas sin tocar código.
+- Sesión < 30min sin commits.
+
+**Cómo generar** (subcomando del CLI, resuelve cross-scope; ver
+`docs/invocacion-cli-cross-scope.md`). Pasar el contenido como JSON por stdin:
+
+```bash
+echo '{
+  "sessionId": "<id-de-sesión>",
+  "agent": "orquestador-swl",
+  "accomplishments": ["<logro 1>"],
+  "decisions": ["<decisión 1 + razón>"],
+  "learnings": ["<aprendizaje clave 1>"],
+  "sourceAgents": ["implementador-swl"]
+}' | swl-ses diary-entry
+# fallback: ... | npx -y @saulwade/swl-ses@latest diary-entry
+```
+
+El subcomando construye la entrada, valida (`validateDiary`) y la persiste en
+`.planning/sessions/diary/<id>.json`, imprimiendo la ruta escrita. Reportar en
+el output:
+
+```
+Diary generado: .planning/sessions/diary/diary-YYYYMMDD-HASH.json
+  Logros: N | Decisiones: N | Challenges: N | Aprendizajes: N
+```
+
+## Paso 7.5 — Diagnóstico de agentes con fallos recurrentes (auto-evolución dirigida)
+
+Este paso se ejecuta **automáticamente** después de actualizar APRENDIZAJES.md.
+No requiere interacción del usuario salvo para confirmar evolución.
+
+### Objetivo
+
+Detectar agentes SWL que aparecen con ≥3 entradas de fallo en APRENDIZAJES.md
+y proponer `/swl:evolucionar` específicamente para esos agentes.
+
+Inspirado en el ciclo del PDF "A Practical Guide to Building Agents":
+> "Real-world failures → refine guardrails/instructions → iterate"
+
+### Procedimiento
+
+1. **Leer `.planning/APRENDIZAJES.md`** y contar entradas de fallo por agente:
+   - Solo contar líneas de **encabezado de entrada** (formato `## [YYYY-MM-DD] tipo — descripción`)
+     que sean de tipo `bug-fix`, `anti-patrón` o `fallo` Y mencionen un agente SWL en el mismo encabezado.
+   - Las menciones de agentes dentro del **cuerpo** de una entrada (contexto, ejemplos, plantillas)
+     no cuentan como fallos — evita falsos positivos por nombres en código o en secciones de revisión.
+
+2. **Construir tabla de fallos por agente**:
+   ```bash
+   # Solo buscar en líneas de encabezado (## [fecha]) con tipo de fallo
+   # que además mencionen un agente SWL en esa misma línea
+   grep -E "^## \[20[0-9]{2}-[0-9]{2}-[0-9]{2}\] (bug-fix|anti-patrón|fallo)" \
+     .planning/APRENDIZAJES.md \
+     | grep -oE "[a-z][a-z0-9-]+-swl" | sort | uniq -c | sort -rn | head -10
+   ```
+
+3. **Evaluar umbral**: Si algún agente tiene **≥3 fallos**, está calificado para evolución dirigida.
+
+4. **Presentar diagnóstico al usuario**:
+
+   ```
+   ── Diagnóstico de fallos por agente ──────────────────────
+   Se detectaron agentes con ≥3 entradas de fallo en APRENDIZAJES.md:
+
+   ┌─────────────────────────┬────────┬─────────────────────────────────────────┐
+   │ Agente                  │ Fallos │ Tipo de fallo más frecuente             │
+   ├─────────────────────────┼────────┼─────────────────────────────────────────┤
+   │ [nombre-agente-swl]     │   [N]  │ [descripción breve del patrón de fallo] │
+   └─────────────────────────┴────────┴─────────────────────────────────────────┘
+
+   ¿Deseas ejecutar /swl:evolucionar para estos agentes?
+   [S] Sí — evolucionar ahora (recomendado)
+   [N] No — registrar diagnóstico y continuar
+   [D] Detalle — ver entradas de fallo completas antes de decidir
+   ```
+
+5. **Si el usuario confirma (S)**:
+   - Ejecutar `/swl:evolucionar` pasando el nombre del agente con más fallos primero.
+   - Si hay múltiples agentes calificados, proponer evolucionar uno por sesión
+     (evitar sobrecarga de cambios simultáneos).
+
+6. **Si el usuario rechaza (N)**:
+   - Agregar una entrada en APRENDIZAJES.md:
+     ```
+     [diagnóstico] [FECHA] agente [nombre]: [N] fallos registrados, evolución pospuesta por usuario.
+     ```
+   - Esto permite que el próximo `/swl:aprender` detecte el patrón acumulado.
+
+7. **Si no hay agentes con ≥3 fallos**: omitir este paso completamente y reportar `Sistema en buen estado — ningún agente supera el umbral de fallos (≥3).`
+
+### Reglas de este paso
+
+- NUNCA proponer evolución sin evidencia en APRENDIZAJES.md (mínimo ≥3 entradas citables).
+- Los fallos deben ser en dominios distintos o fechas distintas — 3 menciones del mismo incidente no cuentan como 3 fallos.
+- Si el agente fue creado o evolucionado en los últimos 7 días, reducir el umbral requerido a ≥5 (darle tiempo de estabilizarse).
+
+## Reglas de comportamiento
+
+- NUNCA inventes aprendizajes sin evidencia de la sesión. Si no puedes citar de dónde viene, no lo incluyas.
+- NUNCA elimines reglas existentes de habilidades — solo agrega o marca como obsoletas.
+- Cada aprendizaje debe ser accionable: "hacer X en lugar de Y" es un aprendizaje. "El código es complejo" no lo es.
+- Si el usuario rechaza un aprendizaje, registra por qué en APRENDIZAJES.md.
+- Nuevas habilidades necesitan mínimo 5 reglas concretas; si son menos, agrégalas a una existente.
+- Prioriza calidad sobre cantidad — 3 aprendizajes precisos valen más que 15 vagos.
+
+---
+
+## Modelo de memoria por niveles (clasificación de aprendizajes)
+
+Cada aprendizaje extraído tiene un nivel de madurez que determina dónde se
+almacena y cómo se consolida. Inspirado en el modelo de 4 niveles de agentmemory.
+
+| Nivel | Nombre | Almacenamiento | Ciclo de vida | Ejemplo |
+|-------|--------|---------------|---------------|---------|
+| **L1** | Working | Conversación actual | Se pierde al cerrar sesión si no se persiste | "Este endpoint necesita retry con backoff" |
+| **L2** | Episodic | `.planning/sessions/`, `.planning/APRENDIZAJES.md` | 30 días, se purga o promueve | "Sesión del 2026-04-10: resolvimos bug de N+1 en pedidos" |
+| **L3** | Semantic | `habilidades/*/SKILL.md`, `reglas/`, wiki/ | Permanente, se actualiza con evidencia | "SQLAlchemy async requiere selectinload, no lazy" |
+| **L4** | Procedural | Instintos (`instintos/`), prompts de agentes | Permanente, alta confianza | "Siempre verificar propagación de cambios antes de commit" |
+
+### Reglas de promoción entre niveles
+
+- **L1→L2**: Automático al persistir en APRENDIZAJES.md (Paso 6-7).
+- **L2→L3**: Cuando el aprendizaje se valida en **≥3 sesiones distintas** o el usuario lo confirma explícitamente como regla general. Se agrega como regla a un skill existente o se crea página wiki.
+- **L3→L4**: Cuando el aprendizaje semántico se ha confirmado en **≥5 sesiones** sin contradicciones y aplica a todo el proyecto. Se convierte en instinto con confianza ≥0.8.
+- **Degradación**: Un aprendizaje en cualquier nivel se degrada si evidencia posterior lo contradice (ver Paso 5.5).
+
+### Uso en consolidación
+
+Durante la consolidación (siguiente sección), usar estos niveles para decidir:
+- Qué entradas de APRENDIZAJES.md merecen promoverse a skills o wiki (L2→L3)
+- Qué instintos tienen suficiente evidencia para crearse o fortalecerse (L3→L4)
+- Qué entradas episódicas ya cumplieron su utilidad y pueden purgarse (L2 >30 días sin promoción)
+
+### Deduplicación con fingerprint
+
+Antes de persistir un aprendizaje nuevo, verificar que no sea duplicado de uno existente:
+
+```bash
+# Subcomando del CLI (resuelve cross-scope; ver docs/invocacion-cli-cross-scope.md).
+# Lee APRENDIZAJES.md, divide por '## ' y compara con umbral 0.6 por defecto.
+swl-ses near-duplicate --texto="[TEXTO_DEL_APRENDIZAJE_NUEVO]"
+# fallback: npx -y @saulwade/swl-ses@latest near-duplicate --texto="[TEXTO]"
+```
+
+Si es duplicado (similitud ≥0.6), fusionar con la entrada existente en vez de crear nueva.
+
+---
+
+## Sección: Consolidación en 4 fases (modo autoDream)
+
+Cuando se ejecuta en modo consolidación (automático o por pedido del usuario),
+seguir estas 4 fases sin interacción. Inspirado en autoDream de Claude Code.
+
+### Fase 1 — Orient
+
+1. Leer `.planning/APRENDIZAJES.md` para entender qué ya está registrado.
+2. Leer `instintos/proyecto.yaml` para ver instintos activos y su confianza.
+3. Listar sesiones recientes: `ls -lt .planning/sessions/ | head -10`
+4. Leer `.planning/COMPACTACION.md` si existe para contexto del proyecto.
+
+### Fase 2 — Gather (señal reciente)
+
+1. Escanear las sesiones nuevas (las que tienen mtime posterior a la última consolidación).
+   Solo leer las más recientes (máximo 5 sesiones), no exhaustivamente.
+2. Buscar en cada sesión: errores resueltos, decisiones tomadas, patrones descubiertos.
+3. Buscar evidencia que contradiga aprendizajes o instintos existentes.
+4. **NO** leer el código fuente ni investigar — solo sintetizar lo que ya se hizo.
+
+### Fase 3 — Consolidate (curación de memoria)
+
+1. **Merge duplicados**: Si hay aprendizajes en APRENDIZAJES.md que dicen lo mismo
+   con distintas palabras, consolidar en una sola entrada más precisa.
+2. **Convertir fechas relativas a absolutas**: "ayer" → "2026-04-02", "la semana pasada" → "2026-03-26".
+3. **Eliminar hechos contradichos**: Si una sesión reciente muestra que un aprendizaje
+   anterior era incorrecto, eliminarlo o marcarlo como `[OBSOLETO]` con la razón.
+4. **Degradar instintos contradichos**: Si un instinto en `proyecto.yaml` fue contradicho
+   por evidencia de sesiones recientes, bajar su confianza (mínimo 0.1 por contradicción).
+5. **Promover instintos validados**: Si un instinto fue confirmado por evidencia
+   positiva en 3+ sesiones, subir su confianza (máximo +0.1 por confirmación).
+6. **Promoción L2→L3**: Buscar entradas en APRENDIZAJES.md con ≥3 marcas `[CONFIRMADO]`
+   y que no existan ya como regla en ningún skill. Proponer promoción a skill o wiki.
+7. **Promoción L3→L4**: Buscar reglas en skills con ≥5 confirmaciones en sesiones
+   distintas. Proponer creación de instinto con confianza 0.8.
+8. **Deduplicación**: Usar `isNearDuplicate()` de `hooks/lib/fingerprint-id.js`
+   para detectar entradas casi idénticas en APRENDIZAJES.md y fusionarlas.
+
+### Fase 4 — Prune e Índice
+
+1. **Limitar APRENDIZAJES.md a 100 entradas**: Eliminar las más antiguas y menos
+   accionables si supera el límite. Mantener siempre los anti-patrones críticos.
+2. **Eliminar sesiones muy antiguas** (> 30 días) de `.planning/sessions/` para
+   evitar crecimiento indefinido. Solo los archivos JSON, no la metadata.
+3. **Reportar lo hecho** al usuario:
+
+```
+Consolidación completada (modo autoDream):
+- Entradas en APRENDIZAJES.md: [antes] → [después] ([+N nuevas, -N eliminadas, N mergeadas])
+- Instintos actualizados: [N degradados, N promovidos]
+- Fechas normalizadas: [N]
+- Contradicciones detectadas y resueltas: [N]
+- Sesiones antiguas purgadas: [N]
+```
+
+### Fase 4.5 — Lint del wiki (si existe)
+
+Si el proyecto tiene `.planning/knowledge/wiki/`, ejecutar health check del wiki
+como parte de la consolidación:
+
+```bash
+# Detectar si existe el wiki del proyecto
+ls .planning/knowledge/wiki/ 2>/dev/null | wc -l
+```
+
+Si hay páginas en el wiki (resultado > 0), ejecutar:
+
+1. **Detectar páginas huérfanas** (sin referencias desde otras páginas):
+   ```bash
+   # Listar todas las páginas del wiki
+   ls .planning/knowledge/wiki/*.md | grep -v "INDEX.md" | grep -v "log.md"
+   # Verificar cuáles no aparecen referenciadas en otras páginas
+   for PAGE in .planning/knowledge/wiki/*.md; do
+     NOMBRE=$(basename "$PAGE" .md)
+     REFS=$(grep -l "\[\[$NOMBRE\]\]" .planning/knowledge/wiki/*.md 2>/dev/null | wc -l)
+     echo "$REFS refs: $NOMBRE"
+   done | grep "^0"
+   ```
+
+2. **Detectar claims sin fuente en raw/**:
+   - Buscar afirmaciones en wiki/ que referencien fuentes no presentes en `raw/`
+   - Marcar con `[SIN-FUENTE]` para revisión posterior
+
+3. **Detectar páginas no enlazadas desde INDEX.md**:
+   ```bash
+   # Páginas en wiki/ que no aparecen en INDEX.md
+   comm -23 \
+     <(ls .planning/knowledge/wiki/*.md | xargs -I{} basename {} .md | sort) \
+     <(grep -oE '\[\[.+\]\]' .planning/knowledge/wiki/INDEX.md | tr -d '[]' | sort)
+   ```
+
+4. **Reportar resultados del lint en el log**:
+   ```bash
+   echo "## [$(date +%Y-%m-%d)] lint | wiki health check" >> .planning/knowledge/log.md
+   echo "- Páginas huérfanas: [N]" >> .planning/knowledge/log.md
+   echo "- Claims sin fuente: [N]" >> .planning/knowledge/log.md
+   echo "- Páginas fuera del índice: [N]" >> .planning/knowledge/log.md
+   ```
+
+Si no hay wiki, omitir esta fase y continuar a Fase 4.
+
+### Reglas de consolidación
+
+- NUNCA eliminar un aprendizaje sin evidencia de que es incorrecto. Antigüedad sola no justifica eliminación — solo irrelevancia o contradicción.
+- NUNCA leer transcripts exhaustivamente. Escanear títulos y buscar keywords específicos.
+- Máximo 10 minutos de trabajo total. Si hay demasiado por consolidar, priorizar contradicciones y duplicados.
+- Registrar la consolidación en el lock file para que el hook no vuelva a sugerir hasta la próxima ventana de 24h.
+- **NUNCA persistir un aprendizaje que contradiga el wiki sin resolver la contradicción primero** (ver Paso 5.5).