cognia-ai 3.2.14

Local cognitive AI with episodic memory, distributed inference, and swarm learning

Cognia v3 — Arquitectura Cognitiva Simbolico-Neural

IA local, ligera, sin APIs externas. Corre en CPU. Objetivo: 2-5W de consumo. Ahora con inferencia distribuida real (SRDN) y soporte Qwen2.5-Coder.

Stack: Python 3.11+ · SQLite · Qwen2.5-Coder (INT4) · sentence-transformers · numpy · FastAPI · Electron

---

Descargar

Releases disponibles en: https://github.com/tomascomenta-blip/cognia_v2/releases

Plataforma	Archivo	Requisitos
Windows	CogniaDesktop-x.x.x-Setup.exe	Python 3.11+
Linux	CogniaDesktop-x.x.x.AppImage	Python 3.11+
Android	cognia-mobile-x.x.x.apk	Android 8+

El instalador descarga el modelo automaticamente (~300 MB en modo swarm).

---

Estado del proyecto (Mayo 2026)

Fase	Estado	Descripcion
Fase 1-6 — Estabilizacion y Core	COMPLETADA	Base limpia, NarrativeThread, MeshNode, Seguridad, Escalado.
Fase 7 — Shattering (SRDN)	COMPLETADA	LOGOS/TECHNE/RHETOR sub-models, MoE, NPQ, RST, MLA.
Fase 8 — Commercial Release	COMPLETADA	Instaladores, UX, Cifrado por defecto, Documentacion completa.
Fase 9-12 — Hardening y UX	COMPLETADA	Proteccion SQLi/XSS/SSRF, Consentimiento de privacidad, Auto-update.
Fase 13 — Real Distributed Inference	COMPLETADA	Inferencia real con Qwen2.5-Coder-3B INT4, auto-sharding.

Ver ROADMAP.md para el detalle tecnico de cada fase.

---

Que hace Cognia

Cognia es una arquitectura cognitiva que aprende, razona y recuerda localmente. A diferencia de un simple chatbot, gestiona un ciclo de vida cognitivo completo incluyendo consolidacion de memoria durante el "sueño" y razonamiento distribuido entre multiples dispositivos.

Arquitectura Shattering (SRDN)

Cognia v3 introduce Sparse-Recursive Distillation Network, permitiendo correr modelos de 3B+ parametros en dispositivos con poca RAM (Android, PCs antiguos) mediante:

• Auto-sharding: El modelo se divide en fragmentos (shards) que pueden ejecutarse en distintos nodos de una red local.
• Cuantizacion INT4: Pesos comprimidos un 75% sin perdida critica de precision, operados puramente en numpy.
• Inferencia hibrida: Combina Ollama (para razonamiento general) con el motor nativo de Cognia (para tareas especializadas).

Modulos Principales

Modulo	Funcion
KnowledgeGraph	Memoria semantica estructurada y jerarquica.
InferenceEngine	Razonamiento transitivo y herencia de propiedades.
ShatteringOrchestrator	Gestion de inferencia distribuida y ruteo MoE.
ConsolidationEngine	Ciclo de sueño: purga, refuerzo y olvido de memorias.
SecureStorage	Cifrado AES-256-GCM de memorias episodicas.
CogniaMeshNode	Red P2P para sincronizacion de conocimiento via CRDT.

---

Descarga e Instalacion

Instaladores rapidos

Recomendado para la mayoria de los usuarios. Descarga el repositorio y ejecuta:

Windows (PowerShell):

.\install.ps1

Linux / macOS (Bash):

bash install.sh

Desktop App (Electron)

Para una experiencia visual, puedes construir el instalador de escritorio:

cd cognia_desktop
npm install
npm run build:win  # o build:linux / build:mac

---

Uso — Comandos Principales

Cognicion y Memoria

• aprender <texto> | <etiqueta>: Enseñar un concepto nuevo.
• observar <texto>: Guardar una observacion sin procesar.
• dormir: Iniciar ciclo de consolidacion y limpieza (sueño).
• yo: Ver estado interno de la memoria y perfil cognitivo.
• narrativa <texto>: Recuperar hilos de episodios relacionados.

Sistema y Red

• doctor: Diagnostico completo del sistema y dependencias.
• update: Actualizar Cognia, dependencias y migraciones de DB.
• seguridad: Gestionar cifrado y llaves de acceso.
• grafo <concepto>: Visualizar el grafo de conocimiento local.
• inferir <concepto>: Ejecutar razonamiento transitivo sobre un tema.

Inferencia Distribuida (Qwen2.5)

# Convertir pesos de HuggingFace a shards de Cognia
python scripts/convert_hf_to_shards.py --hf-dir /path/to/qwen --out-dir model_shards/qwen-q4

---

Seguridad y Privacidad

• Local-First: Tus datos nunca salen de tu maquina a menos que conectes nodos en red mesh de forma explicita.
• Cifrado en reposo: Memorias episodicas cifradas con AES-256-GCM.
• Proteccion Anti-Injection: Filtros estructurales en prompts y consultas SQL parametrizadas.
• Privacidad Diferencial: Ruido estadistico aplicado en sincronizaciones de red para proteger la identidad.

Ver docs/PRIVACY.md y docs/SECURITY.md para mas detalles.

---

Documentacion

Documento	Contenido
docs/INSTALL.md	Guia detallada de instalacion y configuracion.
docs/TROUBLESHOOTING.md	Solucion a problemas comunes y diagnostico.
docs/PRIVACY.md	Detalles sobre el manejo de datos y privacidad.
ROADMAP.md	Plan de desarrollo y estado de las fases.

---

Arquitectura Diferencial

Cognia no es un wrapper de LLM ni una interfaz de chat con memoria. Las diferencias tecnicas respecto a los sistemas convencionales son estructurales:

• Inferencia sin servidor central: El forward pass ocurre en los dispositivos de los usuarios (shards .npz en numpy puro, sin PyTorch). El coordinador enruta pero no ejecuta ni almacena nada de la conversacion.
• Memoria episodica como almacen primario: El conocimiento vive en SQLite local + VectorCache numpy por usuario, no en pesos compartidos. Cada instancia aprende de su propio historial sin exponer datos.
• Cuantizacion dinamica en produccion: Los pesos escalan INT4 → INT8 → FP16 → FP32 segun frecuencia de acceso en tiempo real, con auto-decay a INT4 tras inactividad. El objetivo es minimizar RAM sin degradar las rutas calientes.
• Adaptacion personal sin fine-tuning global: El ciclo de sueno entrena adapters LoRA (r=4-8) sobre episodios de alta importancia del usuario y los aplica en las proyecciones KV del transformer. Cada instancia desarrolla un sesgo de respuesta personalizado sin alterar los pesos base compartidos.
• Aprendizaje federado sobre adapters, no sobre parametros completos: Los nodos contribuyen deltas LoRA con ruido gaussiano (sigma=0.01); el coordinador ejecuta FedAvg ponderado por tier. Los datos del usuario nunca salen del dispositivo.
• Ciclo de sueño autonomo de 8 pasos: Consolidacion episodica, compresion conceptual, actualizacion del grafo de conocimiento, investigacion autonoma via GitHub, entrenamiento ELC, procesamiento emocional Plutchik, y auto-expansion de rango LoRA cuando el adapter satura.
• Economia de contribucion sin suscripciones: El acceso prioritario se asigna por recursos aportados (disco, computo, uptime), no por pago. Los tiers (basic/standard/premium) definen RPM y modelos accesibles, con enforcement por sliding window por node_id.
• Router de dominio sobre tres sub-modelos: LOGOS (razonamiento, temp=0.3), TECHNE (codigo, temp=0.15), RHETOR (escritura, temp=0.7) — tres perfiles de generacion distintos sobre la misma base Qwen2.5-Coder-3B INT4.

Para Colaborar

Lee el ROADMAP.md para entender la direccion actual. Cognia prioriza la eficiencia (CPU-only), la privacidad y la estabilidad. No se aceptan dependencias pesadas (PyTorch/Tensorflow) en el motor de inferencia principal.

---

© 2026 Cognia Project. Distribuido bajo licencia MIT.