El Motor de Enrutamiento

El router es el cerebro de l3mcore. Decide qué experto debe responder cada prompt mediante un sistema de puntuación híbrida multi-vector.

Inicialización (arranque del servidor)

Al arrancar, el router pre-calcula para cada experto tres tipos de representaciones vectoriales:

experto "programador"
├── vector_descripcion:    embed("Experto en escribir, revisar y depurar código fuente.")
├── vector_centroide:      normalize(mean([embed("codigo"), embed("python"), ...]))
└── vectores_keywords[]:   [embed("codigo"), embed("python"), embed("javascript"), ...]

Esto ocurre una sola vez al arranque. Las comparaciones en tiempo real son rápidas porque solo hay que vectorizar el prompt entrante.

Proceso de enrutamiento (por petición)

1. Llega el prompt: "Ayúdame a depurar este error de JavaScript"
2. embed(prompt) → vector_prompt
3. Para cada experto:
   a. sim_max_keyword = max(cosine(vector_prompt, kw) for kw in keywords)
   b. sim_description = cosine(vector_prompt, vector_descripcion)
   c. sim_mean_keyword = cosine(vector_prompt, vector_centroide)
   d. sim_top3_vote = fracción de top-3 keywords con sim > 0.40
   e. score_raw = 0.40*a + 0.30*b + 0.20*c + 0.10*d
4. scores_normalized = softmax(scores_raw / temperature)
5. ganador = argmax(scores_normalized)
6. if scores_normalized[ganador] >= confidence_threshold:
      → despachar al ganador
   else:
      → activar fallback de keywords

Por qué Multi-Vector y no un solo embedding

Un solo vector promedio de todas las keywords pierde información:

Problema	Solución en l3mcore
Keywords dispersas se anulan entre sí	max_keyword: cualquier keyword puede "ganar" sola
Intención general no capturada	description: frase semántica completa
Una keyword rara domina el vector	mean_keyword + top3_vote: piden consenso

Modelos de Embedding Recomendados

Modelo	Tamaño	Idiomas	Notas
intfloat/multilingual-e5-small	~120 MB	100+	Por defecto. Equilibrado.
intfloat/multilingual-e5-base	~280 MB	100+	Mayor precisión, más RAM
BAAI/bge-small-en-v1.5	~130 MB	Inglés	Excelente si solo usas inglés
nomic-ai/nomic-embed-text-v1	~550 MB	Inglés	Alta calidad, más pesado

Cambiar el modelo solo requiere actualizar model_path en config.json.

Router tipo classification

Para casos avanzados, puedes entrenar un clasificador BERT fine-tuned:

{
  "router_type": "classification",
  "model_path": "ruta/a/tu-modelo-bert-finetuned"
}

El modelo de clasificación predice directamente la etiqueta del experto. Es más rápido en inferencia pero menos flexible — añadir un nuevo experto requiere re-entrenar el modelo.

Modo sin ML (model_path: "")

{
  "router_type": "embedding",
  "model_path": "",
  "keyword_fallback": true
}

Deshabilita el router ML completamente y usa solo coincidencia de keywords con fuzzy matching. Útil para Raspberry Pi o hardware muy limitado.