KCP explicado fácil
Si alguna vez sentiste que tus agentes "saben mucho" pero igual toman malas decisiones, este artículo es para ti.
Porque el problema no suele ser falta de información. El problema suele ser falta de contexto gobernado.
Y ahí entra KCP (Knowledge Context Protocol).
Imagina una clínica moderna. Llega un paciente con síntomas difusos: fatiga, dolor, fiebre intermitente. No puedes tratarlo solo con "lo primero que aparezca en Google".
Necesitas:
Historia clínica válida
Protocolos autorizados
Diagnóstico estructurado
Trazabilidad de decisiones
Seguimiento continuo
En software con IA pasa lo mismo. KCP hace exactamente eso: convierte conocimiento disperso en un sistema confiable de decisión.
La analogía central (simple y poderosa)
KCP es la historia clínica gobernada del sistema.
RAG pregunta: "¿qué texto parece relevante?"
KCP pregunta: "¿qué conocimiento es autoridad, está vigente y puedo usar para actuar?"
KCP no reemplaza memoria ni código. Los ordena bajo reglas de validez, permisos y evidencia.
Caso clínico realista: "Incidente de despliegue con riesgo de cumplimiento"
Escenario
Un equipo detecta que una actualización dejó un servicio inestable. Hay presión por arreglar rápido, pero también hay riesgo de tocar datos sensibles y romper compliance.
Objetivo
Resolver el incidente sin perder control, sin improvisar y con evidencia auditable.
Cómo participa cada herramienta del ecosistema KCP
1) Recepción y triaje → kcp-hooks
Antes de actuar, el sistema enruta el prompt, recupera contexto relevante y limpia ruido o manipulación.
Analogía: recepción clínica y enfermería de admisión.
2) Historia clínica longitudinal → kcp-memory
Recupera incidentes parecidos, decisiones previas y comandos usados antes.
Analogía: expediente del paciente a lo largo del tiempo.
3) Apoyo diagnóstico estructural → Synthesis
Analiza el repositorio y el código para ubicar módulos afectados, dependencias y patrones.
Analogía: laboratorio e imagenología (rayos X / resonancia) del sistema.
4) Decisión clínica del plan → kcp-agent
Selecciona qué unidades de conocimiento cargar desde knowledge.yaml usando criterios explícitos: audiencia, vigencia, relevancia, dependencias y límites.
Analogía: médico tratante que decide protocolo.
5) Comité de seguridad y permisos → kcp-harness y pi-kcp
Valida si cada acción está autorizada y dentro del alcance permitido.
Analogía: comité clínico que impide intervenciones fuera de protocolo.
6) Ejecución asistida y registro → kcp-commands
Guía comandos, filtra ruido de salida y registra eventos operativos.
Analogía: enfermería durante tratamiento y hoja de evolución.
7) Calidad del conocimiento → kcp-forge
Evita drift, referencias rotas y manifiestos degradados.
Analogía: control de calidad hospitalario.
8) Conocimiento externo del paciente → kcp-triage
Si hay una API o servicio de terceros involucrado, lo transforma en conocimiento KCP utilizable.
Analogía: interconsulta con hospital externo y homologación de datos.
9) Indicadores y seguimiento → kcp-dashboard
Mide efectividad, retries, cobertura, salud del sistema y continuidad.
Analogía: tablero clínico de calidad y resultados.
10) Formación del equipo → kcp-playground
Permite enseñar visualmente cómo decide el agente y por qué.
Analogía: simulador médico para entrenamiento.
Dónde entra knowledge.yaml en este caso
knowledge.yaml es el mapa clínico del conocimiento. No solo lista documentos: define intención, audiencia, vigencia, relaciones y dependencias.
Eso permite responder con precisión:
¿Qué debo leer primero?
¿Qué está vigente hoy?
¿Qué está deprecado?
¿Qué puedo ejecutar y qué no?
Sin eso, el agente adivina. Con eso, navega con criterio.
¿Por qué esto importa?
Porque automatizar sin gobernanza produce velocidad frágil. KCP busca velocidad confiable.
No es "más herramientas". Es una arquitectura para que agentes de IA trabajen con:
contexto correcto
límites explícitos
decisiones defendibles
evidencia auditable
Cierre
KCP no reemplaza la memoria ni el código; le da al agente una forma de distinguir relevancia de autoridad y actuar solo dentro de lo permitido.
Y cuando sumas Synthesis como apoyo diagnóstico, dejas de operar a ciegas: entiendes el sistema antes de intervenir.
Ese es el salto: de "IA que responde" a IA que decide con criterio y gobernanza.
Enjoy!
Joe
