Lo esencial
Cuando aprendes algo nuevo, el libro de texto acomoda el conocimiento en cadena: capítulo 1 → capítulo 2 → capítulo 3. Eso funciona para una persona que lee en orden. Pero un agente de IA no lee así. El agente llega con su pregunta y quiere sacar en 50 milisegundos justo la página que necesita. No el primer capítulo, no el índice. El pedazo concreto sobre el tema concreto.
Knowledge Atlas es otra forma de organizar el conocimiento. No es un libro, es una red. No es un índice, es un mapa. No es una cadena de capítulos, sino 54 capas cortas, cada una sobre un tema, con sus coordenadas y sus conexiones.
En esta lección veremos cómo armar un atlas así con tus propias manos: de qué se compone una capa, cómo funciona un INDEX.json legible por máquina, para qué sirven tres vistas en HTML (tarjetas, árbol, mapa mental) y cómo el agente encuentra el conocimiento que necesita con 150 tokens en lugar de 13,000.
Conceptos clave
- Layer book (capa): un libro corto sobre un solo tema (unos 7–13 KB de texto), con una estructura estándar: imagen → qué es → cómo funciona → ejemplos → combinaciones → recursos → enlaces cruzados
- Frontmatter: metadatos legibles por máquina al inicio de cada capa (YAML): id, group, keywords, related_layers, summary_50w. El agente los lee primero
- INDEX.json: un mapa único de todas las capas en un solo archivo JSON. El agente mira aquí primero (unos 80 tokens) y luego saca la capa que necesita
- Competency groups: 9 grupos de competencias (entiendes / creas / trabajas / construyes / automatizas / publicas / ganas / mentalidad / producción). Cada grupo = una carpeta
- Retrieval tiers: 4 niveles de profundidad de lectura (L0 INDEX → L1 frontmatter → L2 sección → L3 la capa completa). El agente toma lo mínimo necesario
- Cross-links (enlaces cruzados): cada capa enlaza a otras 3–7 capas relacionadas. Eso convierte un montón de archivos en una red
- Curriculum: una ruta secuencial por el atlas para una persona (por ejemplo, "2 semanas para principiantes": L1 → L2 → L6 → L7 → L8). Atlas para la IA + curriculum para la persona = una sola base
- Vista de mapa mental: un grafo dirigido por fuerzas (en HTML) donde cada capa = un nodo y cada conexión = una arista. Te ayuda a ver la arquitectura con tus propios ojos
- Stub layer (capa esbozo): una capa con frontmatter pero sin contenido completo. Se completa conforme se usa. El atlas crece poco a poco
- Median retrieval cost: el costo objetivo de una consulta del agente (meta: unos 150 tokens de mediana). Una métrica que se puede medir
Teoría
Libro de texto vs. atlas: dos arquitecturas distintas
El libro de texto supone un lector que va del principio al final. Los capítulos están ordenados y cada uno se apoya en el anterior. Si sacas el capítulo 7 de en medio, no se entiende sin el capítulo 6.
El atlas de conocimiento funciona de otra manera. Cada capa es una página autosuficiente. Para leer L8 (Bases vectoriales y RAG) no necesitas leer L1–L7 en orden. La capa se explica sola: con una imagen, con palabras sencillas, con ejemplos. Las conexiones con otras capas aparecen al final, pero no son indispensables para entender.
Esto es crucial para un agente de IA. El agente no lee en orden. Cuando el usuario pregunta "¿cómo le hago memoria a largo plazo a mi bot?", el agente necesita L8 completa y ya, no un camino por L1–L7. El atlas le da exactamente L8.
La anatomía de una capa
En el atlas del autor del curso, cada capa tiene una estructura rígida. No es por estética: es para la recuperación (retrieval). Cuando las 54 capas tienen las mismas secciones en el mismo orden, el agente sabe dónde buscar.
Frontmatter (YAML):
---
id: L8-vector-rag
layer: L8
group: understand
title: "Bases vectoriales y RAG · Memoria a largo plazo para la IA"
keywords: [vector, rag, pinecone, vectorize, qdrant, embedding]
tier: foundation
related_layers: [L7, L51]
related_recipes: [r12, r17]
status: stable
summary_50w: "Memoria a largo plazo para la IA. Una base vectorial guarda significados como coordenadas. RAG = encuentra el fragmento → mételo al prompt → responde. Resuelve el límite de contexto y las alucinaciones."
hot_section: "Imagen"
---Es el pasaporte de la capa. El agente puede leer solo el frontmatter (unos 150 tokens) y ya entender qué es, a qué pertenece, con qué se relaciona y qué tan maduro es el material. En el 90% de las tareas de recuperación, el frontmatter basta.
El cuerpo de la capa: 8 secciones
- 🎨 Imagen: una metáfora de la vida diaria. Sin ella, la capa no se considera lista. La imagen ayuda a recordar y a encontrar la capa: es una regla para todas las capas
- 📖 Qué es: en palabras sencillas, sin jerga. Con la traducción de cada término
- 🔬 Cómo funciona: el mecanismo, sin matemáticas. Con pseudocódigo o un diagrama
- 🛠 Ejemplos de uso: de 3 a 5 casos concretos
- 🎯 Combinaciones (recetas): qué combos listos usan esta capa
- 📚 Recursos: una tabla comparativa de opciones, videos, documentación, herramientas
- 🔗 Relacionada con las capas: enlaces cruzados con una explicación
- 📝 Mis notas: una sección vacía para las notas personales del dueño
El tamaño de una capa: 7–13 KB de texto. Si sale más grande, la capa se parte en dos. Si tiene menos de 5 KB, por ahora es un esbozo.
Nueve grupos de competencias
Las capas se agrupan, y esos grupos son las carpetas 01-understand/, 02-create/, etc. Nueve grupos no es un número al azar. Es el camino que va de entender a llegar a producción.
01-understand/ 🧠 Entiendes la IA (L1-L9) — bases: LLM, modelos, RAG, MCP 02-create/ 🎨 Creas (L10-L17) — generación de contenido, imagen, video 03-work/ ⚡ Trabajas (L18-L22) — productividad, asistentes 04-build/ 🛠 Construyes (L23-L29) — Claude Code, SaaS, agentes 05-automate/ 🤖 Automatizas (L30-L35) — workflows, cron, integraciones 06-release/ 🌐 Publicas (L36-L41) — despliegue, hosting, dominios 07-monetize/ 💰 Ganas (L42-L48) — precios, pagos, marketing 08-mindset/ 🧭 Mentalidad (L50) — actitudes, principios 09-production/ 🛡 Producción (L51-L54) — confiabilidad, observabilidad, seguridad
Cada grupo responde a su propia pregunta. 01-understand: "¿qué es esto?". 04-build: "¿cómo lo construyo?". 07-monetize: "¿cómo cobro por esto?". 09-production: "¿cómo hago que no se caiga?".
Esta división sirve por tres razones:
La primera: navegación para la persona. Entras a 04-build/, ves 7 capas y eliges la que necesitas. No tienes que revisar 54 archivos con la vista.
La segunda: filtrado para el agente. En INDEX.json cada capa tiene el campo group. El agente puede decir "dame solo las capas de producción" y recibe 4 candidatas en lugar de 54.
La tercera: crecimiento gradual. El grupo 02-create todavía es delgado: tiene 4 capas listas de 8. Cuando profundices en la generación de video, llenarás las demás. El atlas crece conforme lo usas, no de golpe.
INDEX.json: el mapa legible por máquina
INDEX.json es el corazón del atlas. Un solo archivo que contiene los metadatos de las 54 capas. El agente lo lee como primer paso de cualquier recuperación.
{
"version": "0.5.3",
"stats": {
"total_layers": 54,
"total_books_with_content": 54,
"active_groups": 9
},
"layers": {
"L8": {
"f": "library/01-understand/L8-vector-rag.md",
"g": "understand",
"k": ["vector", "rag", "embedding", "pinecone"],
"related": ["L7", "L51"],
"status": "stable"
},
"L51": {
"f": "library/09-production/L51-data-pipelines.md",
"g": "production",
"k": ["etl", "pipeline", "chunking"],
"related": ["L8", "L52"],
"status": "stable"
}
},
"curricula": {
"c01": {
"title": "Fundamentos desde cero",
"layers": ["L1", "L2", "L6", "L7", "L8"],
"duration": "2 weeks"
}
}
}Por qué este formato:
- Pequeño: todo el INDEX pesa 15–30 KB. Leerlo le cuesta al agente unos 5,000 tokens. Es un costo único por sesión
- Legible por máquina: JSON se lee en cualquier lenguaje. Se puede filtrar, buscar, ordenar
- Completo: contiene todo lo necesario para decidir "a dónde ir después" sin leer las capas
- Versionado:
version: 0.5.3muestra la madurez. Se actualiza junto con el atlas
El patrón de recuperación en 4 niveles:
L0: Read INDEX.json once (~5K tokens, once per session) L1: Read frontmatter of layer (~150 tokens, normalmente basta) L2: Read targeted section (~300 tokens, si el frontmatter no alcanza) L3: Read full layer (~3K tokens, solo para profundizar)
El costo mediano de recuperación: 150 tokens. Contra unos 13,000 tokens de "leer todo el capítulo del libro". Una mejora de 87 veces. No por comprimir, sino por precisión.
Tres vistas en HTML: tarjetas, árbol, mapa mental
El atlas no son solo archivos Markdown para el agente. Una persona necesita vistas visuales. En el atlas del autor del curso hay tres HTML:
library.html: tarjetas. Cada capa es una tarjeta con el título, la imagen y una etiqueta de color del grupo. La vista recorre una cuadrícula de 9×6 y encuentra lo que busca en 3 segundos. Sirve cuando sabes más o menos cómo se llama el tema, pero no recuerdas el número exacto.
tree.html: un árbol que se despliega. 9 grupos → se abre → 6 capas del grupo → se abre → las secciones de la capa. Navegación jerárquica. Sirve cuando necesitas entender la estructura: "¿cuánto tengo en total sobre producción?"
mind.html: un grafo dirigido por fuerzas. 45 nodos (algunas capas están unidas), y las conexiones muestran los enlaces cruzados. El grafo se puede mover y arrastrar. Los nodos tienen el color de su grupo. Las conexiones tienen distinto grosor: son más gruesas cuando dos capas se enlazan mutuamente. Sirve para ver los huecos: un nodo solitario, sin conexiones, es candidato a completarse.
INDEX.html es la página de entrada que reúne las tres vistas y enlaza a los curricula y las recetas.
El curriculum: el puente para la persona
El atlas es para el agente de IA. Pero una persona también quiere aprender con él. Aprender directo de 54 capas es difícil: ¿por dónde empiezas?
La solución es el curriculum. Es una lista secuencial de capas con la indicación "léelas en este orden". Hoy hay ocho curricula:
| ID | Nombre | Duración | Capas |
|---|---|---|---|
| c01 | Fundamentos desde cero | 2 semanas | L1, L2, L6, L7, L8 |
| c02 | Build a SaaS MVP | 4 semanas | L1, L9, L23, L25, L26, L36, L37, L38 |
| c03 | Un negocio local con IA en Ecuador | 6 semanas | unas 10 capas |
| c04 | Contenido en español | 3 semanas | capas de contenido |
| c05 | Anthropic Mastery | 4 semanas | capas de Claude |
| c06 | Successor onboarding | 12 semanas | todo el atlas + Persona |
| c07 | La ruta del trader con IA | 6 semanas | capas de datos y automatización |
| c08 | Academy Launch | 8 semanas | publicar + ganar |
Un curriculum no es conocimiento nuevo aparte. Es una ruta por el atlas. Las mismas capas se leen en un orden específico para un objetivo específico.
Un solo atlas atiende a tres públicos a la vez: al agente de IA (con la recuperación por INDEX), al experto (búsqueda directa en el grafo) y al principiante (el curriculum).
Costo y medición
El atlas no es solo una estructura: es un sistema con métricas. Sin métricas no sabes si funciona o no.
Qué se mide:
retrieval_counten el frontmatter de cada capa: cuántas veces la consultó el agente en el meslast_retrieved: cuándo fue la última consulta. Las capas con last_retrieved de más de 6 meses son candidatas a eliminarse o fusionarseoutcome_score: la calificación de la calidad de la respuesta después de la recuperación (1–5). Si una capa da malos resultados una y otra vez, hay que reescribirlamy_understanding: green/yellow/red. Tú mismo marcas tu nivel de conocimiento
Métricas objetivo:
- Mediana del costo de recuperación: ≤ 200 tokens
- Cobertura de enlaces cruzados: cada capa conectada con 3 o más
- Proporción de esbozos: no más del 20% de los espacios ocupados por esbozos
- Frescura: las capas estables se actualizan cada trimestre
Esto convierte el atlas en un sistema vivo. Las capas que nadie lee se marchitan. Las que se leen seguido mejoran. El propio atlas te muestra dónde invertir tu tiempo.
🧪 Práctica
Vamos a armar un mini atlas de 10 capas sobre un tema tuyo. El ejercicio toma de 30 a 40 minutos. El tema lo eliges tú: tu pasatiempo, tu trabajo, tu futuro negocio. Lo importante es que tenga 10 aspectos distintos.
Digamos que el tema es "Un podcast desde cero". El mini atlas tratará sobre lanzar un podcast: equipo, edición, distribución, monetización.
Paso 1: Creamos la carpeta y el INDEX
cd ~/Desktop
mkdir -p mini-atlas/library/{01-equipment,02-recording,03-edit,04-publish,05-grow}
cd mini-atlas
# Creamos un INDEX.json vacío
cat > INDEX.json << 'EOF'
{
"version": "0.1.0",
"topic": "Un podcast desde cero",
"updated": "2026-10-04",
"stats": {
"total_layers": 0,
"active_groups": 5
},
"groups": {
"equipment": "Equipo",
"recording": "Grabación",
"edit": "Edición",
"publish": "Publicación",
"grow": "Audiencia"
},
"layers": {}
}
EOFPaso 2: Escribimos 10 capas (2 por grupo)
Una capa = un archivo Markdown con frontmatter y 8 secciones. La plantilla:
cat > library/01-equipment/L1-microphone.md << 'EOF'
---
id: L1-microphone
layer: L1
group: equipment
title: "Micrófono · Qué comprar si vas empezando"
keywords: [microphone, mic, podcast, audio, equipment]
related_layers: [L2, L3]
status: stable
summary_50w: "El micrófono es la herramienta principal de quien hace podcast. Los dinámicos son mejores para cuartos ruidosos; los de condensador, para estudio. Un micrófono económico de nivel inicial da una calidad suficiente para la mayoría de los casos."
---
# L1 · Micrófono
## 🎨 Imagen
El micrófono son los ojos de quien te escucha. A través de él, el oyente ve tu cuarto, tu mesa, tu respiración. Un micrófono barato es una ventana con el vidrio sucio.
## 📖 Qué es
El micrófono dinámico capta el sonido con un haz estrecho: deja fuera el ruido del cuarto. El de condensador capta en un ángulo amplio: deja fuera solo lo que no existe.
## 🔬 Cómo funciona
... (membrana, bobina, USB vs. XLR)
## 🛠 Ejemplos de uso
- Shure MV7: dinámico, USB+XLR
- Samson Q2U: dinámico, USB, modelo económico
- Rode NT1: de condensador, XLR
- Los precios vigentes, revísalos en las tiendas: cambian
## 🎯 Combinaciones
- Stack: micrófono + interfaz de audio + audífonos
## 📚 Recursos
- Video: reseñas de Podcastage en YouTube
- Tiendas: Sweetwater, B&H
## 🔗 Relacionada con las capas
- L2 (Interfaz de audio): los micrófonos XLR necesitan interfaz
- L3 (Audífonos): hacen falta para monitorear
## 📝 Mis notas
_[tus notas]_
EOFHaz lo mismo con 10 temas:
- L1-microphone, L2-interface (equipment)
- L3-room-acoustics, L4-recording-software (recording)
- L5-editing-basics, L6-noise-cleanup (edit)
- L7-hosting, L8-rss-distribution (publish)
- L9-show-notes, L10-promotion (grow)
Paso 3: Llenamos INDEX.json
cat > INDEX.json << 'EOF'
{
"version": "0.1.0",
"topic": "Un podcast desde cero",
"stats": { "total_layers": 10, "active_groups": 5 },
"layers": {
"L1": { "f": "library/01-equipment/L1-microphone.md", "g": "equipment", "k": ["mic", "audio"], "related": ["L2", "L3"] },
"L2": { "f": "library/01-equipment/L2-interface.md", "g": "equipment", "k": ["xlr", "usb"], "related": ["L1"] },
"L3": { "f": "library/02-recording/L3-room-acoustics.md", "g": "recording", "k": ["echo", "absorption"], "related": ["L1"] },
"L4": { "f": "library/02-recording/L4-recording-software.md", "g": "recording", "k": ["daw", "audacity"], "related": ["L5"] },
"L5": { "f": "library/03-edit/L5-editing-basics.md", "g": "edit", "k": ["cut", "fade"], "related": ["L4", "L6"] },
"L6": { "f": "library/03-edit/L6-noise-cleanup.md", "g": "edit", "k": ["noise", "compressor"], "related": ["L5"] },
"L7": { "f": "library/04-publish/L7-hosting.md", "g": "publish", "k": ["buzzsprout", "anchor"], "related": ["L8"] },
"L8": { "f": "library/04-publish/L8-rss-distribution.md", "g": "publish", "k": ["rss", "apple-podcasts"], "related": ["L7"] },
"L9": { "f": "library/05-grow/L9-show-notes.md", "g": "grow", "k": ["seo", "notes"], "related": ["L10"] },
"L10": { "f": "library/05-grow/L10-promotion.md", "g": "grow", "k": ["social", "marketing"], "related": ["L9"] }
}
}
EOFPaso 4: Probamos la recuperación
Abre Claude Code en la carpeta mini-atlas/. Haz una pregunta:
"¿Qué equipo me compro para un podcast con un presupuesto limitado?"
Claude debería:
- Leer INDEX.json (verá el grupo
equipmentcon L1 y L2) - Leer el frontmatter de L1 (verá el resumen sobre micrófonos para principiantes)
- Leer la sección "Ejemplos de uso"
- Responder con modelos concretos
Si Claude leyó los 10 archivos en lugar de dos, la recuperación no está funcionando. Es la señal de que hay que decirlo explícitamente en CLAUDE.md: "Antes de buscar, lee siempre primero INDEX.json".
Paso 5: Agregamos enlaces cruzados y el mapa mental
En cada capa, en la sección "🔗 Relacionada con las capas", indica 2 o 3 conexiones. La meta es que el grafo quede denso, sin nodos solitarios.
Para el mapa mental puedes usar una plantilla lista con vis.js o d3.js. Un HTML mínimo:
<!DOCTYPE html>
<html><head><title>Mini Atlas</title>
<script src="https://unpkg.com/vis-network/standalone/umd/vis-network.min.js"></script>
</head><body>
<div id="net" style="height:600px;border:1px solid #ccc"></div>
<script>
const nodes = new vis.DataSet([
{id:1, label:'L1 Mic', group:'equipment'},
{id:2, label:'L2 Interface', group:'equipment'},
{id:3, label:'L3 Acoustics', group:'recording'}
// ... las 10
]);
const edges = new vis.DataSet([
{from:1, to:2}, {from:1, to:3}
// ... los enlaces cruzados de INDEX.json
]);
new vis.Network(document.getElementById('net'), {nodes,edges}, {});
</script></body></html>Ábrelo en el navegador y verás tu primer atlas en forma de grafo.
Paso 6: Mide el costo de recuperación
Hazle a Claude 5 preguntas distintas sobre el tema. Cuenta los tokens de cada respuesta. Si la recuperación promedio pasa de 500 tokens, el atlas está trabajando de forma ineficiente. Acorta las capas, compacta el frontmatter, revisa el INDEX.
La métrica objetivo para un mini atlas de 10 capas: una mediana de 150–250 tokens.
⚠️ Antipatrones
❌ Un PDF grande en lugar de una red de capas. "Voy a juntar todo el conocimiento en un archivo de 200 páginas." Eso muere en la recuperación: el agente lee las 200 páginas con cada pregunta. Una red de 54 capas cortas le gana a un tomo de 200 páginas en costo por consulta.
❌ Una capa sin imagen. "Soy ingeniero, no necesito imágenes." La imagen no es para ti: es para el lector futuro que viene de otra área. Sin imagen, la capa no conecta con un tema nuevo. La regla del autor: una capa sin la sección "🎨 Imagen" no está lista.
❌ Capas sin enlaces cruzados. "Cada capa es autosuficiente, ¿para qué conexiones?" Entonces no tienes un atlas, tienes un archivo muerto. Las conexiones son lo que convierte 54 archivos en una red. Sin ellas, el agente no puede pasar de L8 a L51 para sacar el pipeline.
❌ INDEX.json como lista de pendientes. Si el INDEX solo tiene rutas y títulos, no sirve. El INDEX debe contener keywords, related_layers, summary_50w y group. Entre más rico sea el INDEX, más seguido le basta al agente con él, sin meterse a las capas.
❌ Un atlas sin métricas. Hacer capas "por si acaso", sin saber cuáles se usan. En un año descubrirás que el 60% de las capas nunca se consultó. Mide retrieval_count desde la primera semana.
🔗 Relacionado con
- RAG: Retrieval Augmented Generation: la búsqueda por embeddings puede ser una capa encima de INDEX.json para recuperación semántica
- Obsidian como segundo cerebro: un vault de Obsidian puede ser la interfaz del atlas, si prefieres una herramienta lista en lugar de Markdown+JSON
- La filosofía de las carpetas: PARA: PARA organiza proyectos; el atlas organiza conocimiento. Se complementan
- MCPs: ampliar las capacidades de Claude Code: el atlas se puede servir con un servidor MCP para que cualquier cliente de Claude haga recuperación. El atlas como servicio
✅ Punto de control
Revísate:
Si tienes 6 o más con seguridad, puedes seguir. Si son menos, arma otro mini atlas sobre otro tema. El atlas se construye con las manos, no con teoría.
Fuentes
- El atlas del autor del curso: 54 capas, 9 grupos de competencias; la estructura que analiza esta lección
- Su INDEX.json (versión 0.5.3): un ejemplo funcional de mapa legible por máquina
- Anthropic Contextual Retrieval (2024): el patrón frontmatter + fragmento para un RAG de calidad
- Greg Kamradt, "RAG From Scratch": fundamentos del costo de recuperación
- vis.js / d3.js force graph: visualización del mapa mental
→ Siguiente lección: Arsenal of Prompts: seis modos de prompts reutilizables
La marca se guarda solo en este navegador y no se envía a ningún sitio. Mi progreso