config.json — Configuración del Router

El archivo config/config.json controla el comportamiento global del motor de enrutamiento y del servidor.

Configurador Web Online

Para facilitar la creación de tus archivos de configuración, puedes utilizar el Configurador Online de l3mcore para generar de forma visual e intuitiva tu archivo experts.json.

Estructura completa

{
    "router": {
        "mode": "generic",
        "router_type": "embedding",
        "model_path": "intfloat/multilingual-e5-small",
        "categories_file": "config/experts.json",
        "confidence_threshold": 0.4,
        "keyword_fallback": true,
        "softmax_temperature": 0.15,
        "scoring_weights": {
            "max_keyword":  0.40,
            "description":  0.30,
            "mean_keyword": 0.20,
            "top3_vote":    0.10
        }
    }
}

Referencia de parámetros

Parámetro	Tipo	Por defecto	Descripción
mode	string	"generic"	"generic" usa experts.json. "model" usa un clasificador propio.
router_type	string	"embedding"	"embedding" para búsqueda semántica vectorial (recomendado). "classification" para modelo BERT fine-tuned.
model_path	string	"intfloat/multilingual-e5-small"	Repo HuggingFace o ruta local. Vacío "" para deshabilitar ML y usar solo keywords.
categories_file	string	"config/experts.json"	Ruta al archivo de expertos. Debe estar dentro del proyecto (seguridad).
confidence_threshold	float	0.4	Probabilidad mínima para seleccionar un experto. Si nadie la alcanza, se usan fallbacks.
keyword_fallback	bool	true	Activa matching difuso si el ML falla o queda por debajo del umbral.
softmax_temperature	float	0.15	Controla la "decisividad" del router. Mas bajo = mas decisivo. Mas alto = mas suave.
scoring_weights	object	ver abajo	Pesos de la formula hibrida de puntuacion.
context_messages	int	3	Numero de mensajes recientes del usuario a concatenar para el enrutamiento en cascada cuando el ultimo mensaje tiene baja confianza.
context_max_chars	int	1600	Maximo de caracteres para el texto de contexto concatenado, para respetar la ventana de tokens del modelo de embeddings.

Ajuste de pesos (scoring_weights)

Los cuatro pesos deben sumar 1.0:

Peso	Por defecto	Qué controla
max_keyword	0.40	Similitud máxima con cualquier keyword individual. Detecta términos precisos.
description	0.30	Similitud con la descripción del experto. Captura la intención general.
mean_keyword	0.20	Similitud media con todas las keywords. Mide cobertura general del dominio.
top3_vote	0.10	Fracción de las 3 mejores keywords sobre umbral 0.4. Requiere consenso.

Ejemplos de ajuste

Priorizar coincidencias exactas de términos técnicos:

"scoring_weights": {
    "max_keyword": 0.55,
    "description": 0.20,
    "mean_keyword": 0.20,
    "top3_vote": 0.05
}

Priorizar comprensión semántica general:

"scoring_weights": {
    "max_keyword": 0.25,
    "description": 0.50,
    "mean_keyword": 0.20,
    "top3_vote": 0.05
}

Temperatura Softmax

La temperatura controla qué tan "seguro" es el router al elegir:

• 0.05 – 0.15 → Router muy decisivo, una sola opción domina
• 0.20 – 0.35 → Equilibrado (recomendado)
• 0.50+ → Las diferencias entre expertos se suavizan, puede causar enrutamiento impreciso

aviso

Bajar demasiado la temperatura (< 0.05) puede hacer que el router sea rígido y elija mal en casos límite. Sube el confidence_threshold en su lugar si quieres más rigor.