Marina — Sistema Metacognitivo Unificado

Marina (marinaedutlan) es un sistema metacognitivo bioinspirado y extensible, pensado para investigación, enseñanza y agentes autónomos. Su núcleo es la clase única MarinaAgent, que integra en un solo ciclo cognitivo:

• DMA (Dendritic Metacognitive Architecture): primitivas biofísicas de estabilidad-plasticidad.
• Meta-DNA: genoma regulatorio con Modelo del Yo (MoS), vías (pathways), trazas epigenéticas (χ) y una aproximación del Algoritmo 1 con costos de sobrecarga.
• MCP (Metacognitive Control Plane): ejecutivo teórico-decisional con acciones metacognitivas (STOP, CONTINUE, VERIFY, SWITCH, REQUEST).
• Sustrato cognitivo: memoria de trabajo multi-buffer, memoria episódica con engramas DMA, memoria semántica con activación y memoria procedimental con utilidades.

Se publica en npm y PyPI con la misma API (camelCase en JS, snake_case en Python) e incluye el mismo CLI (marina / marinaedutlan). Los dos paquetes son equivalentes: con la misma semilla producen exactamente los mismos números, y un perfil guardado con uno se puede cargar en el otro.

Documentación completa (arquitectura, investigación, pruebas, publicación y hoja de ruta): https://github.com/cristianmi24/Marina/tree/main/documentacion

Características

• Núcleo único MarinaAgent (DMA + Meta-DNA + MCP + sustrato cognitivo).
• Tareas enchufables (Task): la memoria (sesgo de recuperación, problemas pasados) influye en las decisiones desde el primer paso.
• Memoria episódica con engramas DMA, crecimiento dinámico y poda por importancia.
• Regulación Meta-DNA con aproximación del Algoritmo 1 (ε, co-expresión Rk, χ, η) y persistencia de "desarrollo cognitivo" entre sesiones.
• Auto-auditoría IM-Onto (KTP, DRFP, ADTP) y Mirror Test (MET-1 a MET-4) con puntaje amsLike.
• Perfiles cognitivos portables (getCognitiveProfile) y persistencia (serialize / deserialize).
• Harnesses de investigación: ablaciones, Monte Carlo, benchmark de recuperación ante reversión.
• Reproducibilidad con semillas (seed), idéntica en JavaScript y Python.
• Ablaciones en tiempo de ejecución (setAblations: no_dma, frozen_memory, no_spreading, ...) para medir qué aporta cada componente.

Requisitos

Instalación

npm install marinaedutlan        # como librería
npm install -g marinaedutlan     # CLI global
pip install marinaedutlan        # Python

En PyPI el paquete se llama marinaedutlan, pero se importa como marina.

Uso básico

JavaScript / TypeScript

import { MarinaAgent } from "marinaedutlan/core";

const agente = new MarinaAgent("Planner", null, { seed: 42 });
agente.runEpisode(100);
console.log(agente.getSummary());

Python

from marina import MarinaAgent

agente = MarinaAgent(seed=42)
agente.run_episode(100)
print(agente.get_summary())

CLI (mismos comandos y misma salida en npm y en Python; en Python también python -m marina)

marina run --steps 100              # episodio de 100 pasos
marina run --steps 80 --json        # salida JSON
marina run --steps 80 --seed 42     # ejecución reproducible
marina run --steps 60 --mirror      # Mirror Test al final
marina run --steps 60 --save-profile
marina run --load-profile marina-profile-XXXX.json --steps 40
marina doctor                       # verificación de la instalación
marina examples                     # ejemplos de la API
marina help                         # ayuda

API principal

Constructor

Métodos

Métodos estáticos

Tarea personalizada

const tarea = MarinaAgent.createSimpleTask((ctx) =>
  0.4 + (ctx.retrievalBias || 0) * 0.8   // la memoria favorece la decisión
);
const agente = new MarinaAgent("Planner", tarea, { seed: 42 });
const r = agente.evaluate(null, 20);
console.log(r.avgOutcome, r.finalSummary.lastRetrievalBias);

from marina import MarinaAgent

def tarea(ctx):
    return {"reward": 0.4 + (ctx.get("retrievalBias") or 0) * 0.8}

agente = MarinaAgent(task=MarinaAgent.create_simple_task(tarea), seed=42)
r = agente.evaluate(steps=20)
print(r["avgOutcome"], r["finalSummary"]["lastRetrievalBias"])

El context que recibe la tarea incluye step, proposedAction (el brazo que elige el DMA), retrievalBias, pastProblems, recentProblemRate, recalledProblemsImpact (tasa reciente de fallos con esa misma acción) y dmaState. La tarea devuelve un número o { reward, info? }; si info.chosen indica la acción realmente tomada, el DMA aprende sobre esa acción.

Perfil portable y Mirror Test

agente = MarinaAgent(seed=42)
agente.run_episode(85)

mirror = agente.evaluate_mirror_amf("full")
print(mirror["overallMirrorScore"], mirror["amsLike"]["overall"])

perfil = agente.get_cognitive_profile()   # JSON serializable
otro = MarinaAgent(seed=7)
otro.deserialize(perfil)                  # transfiere el "desarrollo cognitivo"
otro.run_episode(45)

Solución de problemas

Licencia

MIT — Copyright (c) 2026 Manuel Fernando Caro Piñeres | Cristian Miguel Peñata Andrades. Ver LICENSE.