Memora — diario y crónica de vida asistidos por IA

Una app para escribir tu vida (o la de quien quieras) sin tener que escribirla. Hablas, subes una foto o reenvías un audio de WhatsApp. Memora transcribe, ordena por fecha y por personas, deja que invites a coautores y testigos, y un asistente conversacional ("Ámbar") busca, calcula edades, propone ediciones y guarda recuerdos por ti — siempre con tu permiso.

Producción: https://memora.cadences.app · Stack: Astro + React + Cloudflare Pages + D1 + R2 + Workers AI + Vectorize + DeepSeek

1. ¿Qué problema resuelve?

Casi nadie escribe un diario con constancia. Y casi nadie va a pasarse seis meses haciéndole biografía a su abuela. El esfuerzo de redactar, ordenar y enriquecer un recuerdo es lo que mata la práctica.

Memora ataca eso por tres flancos:

1. Captura sin fricción: voz, foto, audio reenviado de WhatsApp, conversación con un entrevistador IA. Si lo dices, queda guardado.
2. Estructura emergente: el sistema infiere fechas, lugares, personas, capítulos, periodos vitales. No te pide formularios; te enseña lo que ya tienes y te deja afinarlo.
3. Memoria colaborativa: invitas a tu hermana, a tu padre, a un amigo. Cada uno aporta su versión. Memora muestra el efecto Rashomon: un mismo evento contado por varias voces.

Hay dos modos coexistentes en el mismo libro:

• Diario — entradas cortas, hoy, día a día.
• Crónica — sesiones largas de voz para contar una época entera (la mili, el primer trabajo, un viaje). Se trocean automáticamente en entradas atómicas con sus fechas.

2. Mapa funcional

2.1 Onboarding y libros

• Login con Google (Identity Services + verificación JWKS server-side, sin SDKs de terceros).
• Cada usuario tiene uno o varios libros (proyectos): "Mi vida", "Vida de mamá", "Familia López".
• Por cada libro: rol del usuario (owner / coauthor / reader / witness), nivel de privacidad por defecto, personalidad del libro (afecta al tono del entrevistador IA).
• Onboarding guiado con tour interactivo y banner persistente hasta completar perfil + primer recuerdo.

2.2 Capturar un recuerdo

Cada entrada lleva:

• body_md (markdown), body_plain (para FTS).
• occurred_on + occurred_precision (exact | day | month | year | era).
• location_text opcional + lat/lng (geocodificable).
• intimacy_level: private (solo tú) → intimate (coautores) → circle (lectores invitados) → public.
• source: manual, voice, photo, chronicle_session, witness_response, assistant_recall.

2.3 Estructura del libro

• Periodos / Eras: bloques de tiempo aproximado ("Infancia", "Universidad"). Pueden ser exactos o difusos.
• Capítulos: agrupación temática u ordenada manualmente con position. Cada capítulo tiene su propio nivel de intimidad por defecto.
• Personas: extraídas y vinculadas a entradas (memora_entry_person). Tienen alias y relación. Galería de personas con menciones cruzadas.
• Timeline: vista cronológica con badges de fuente, fecha y nivel de intimidad.
• Mapa: las entradas geocodificadas se ven en una capa Leaflet del libro.
• Hoy: feed de entradas capturadas en el día.

2.4 Coautoría y testigos

• Invitaciones por email o enlace mágico a coautor/lector. El coautor aporta sus propias entradas; los private ajenos no son visibles para nadie más.
• Testigos externos: una persona sin cuenta recibe un link /w/[token] (firmado HMAC) con un prompt personalizado: "Cuéntanos cómo conociste a Marta". Su respuesta crea una entrada con source='witness_response' y autor "testigo externo". El testigo nunca ve el resto del libro.
• Los testigos pueden estar acotados a un capítulo concreto (mig 0017).

2.5 Vistas avanzadas

• Rashomon: al filtrar por una persona, panel que agrupa eventos donde aparecen varias voces contando lo mismo (mismo periodo o mismo año). Cada voz se renderiza con un color estable derivado del author_user_id.
• Suggestions / Nudges: el sistema detecta huecos ("hace 4 semanas que no escribes de los 80s"), entradas sin fecha, sin persona, sin capítulo, y los muestra como tarjetas "Ámbar te propone…".
• Clarify panel: cuando una entrada queda ambigua (sin fecha, persona dudosa), Ámbar abre un panel con preguntas concretas.

2.6 Buscador

• Barra de búsqueda con autocompletado de personas y filtros por rango de años.
• Detrás: híbrido BM25 (FTS5 sobre body_plain) + denso (Vectorize, embeddings bge-m3 1024d, cosine) + estructurado (filtros por fecha, persona, periodo) + fusión RRF.

2.7 Ámbar — el asistente conversacional

Drawer lateral (⌘K) con scope "este libro" o "todos mis libros".

Lectura (10 tools): search_memories, get_entry_full, compute_age, list_persons, list_periods, count_in_period, dates_around, timeline_summary, find_orphans, get_person_entries.

Mutaciones (modelo propose + confirm, 6 tools): propose_edit_entry, propose_set_entry_period, propose_rename_person, propose_merge_persons, propose_create_entry, propose_delete_entry.

Ámbar no toca la base de datos directamente: cada propuesta se persiste en memora_chat_pending_action (estado pending) y aparece como tarjeta amarilla "Ámbar propone" con botones Aplicar / Descartar / Deshacer. El historial vive en una pestaña "Actividad de Ámbar".

Ejemplos:

• "¿Qué edad tenía cuando conocí a Marta?" → search_memories + get_entry_full + compute_age. Responde con cita [#ent_abc].
• "Cambia la fecha de ese recuerdo a julio del 89" → propose_edit_entry({occurredOn:'1989-07-01', occurredPrecision:'month'}).
• "Guarda esto: hoy he ido al puerto con mi padre" → propose_create_entry. Lo escribe en primera persona, lo etiqueta assistant_recall, te pide confirmar.
• "Lola y Lola Pérez son la misma" → propose_merge_persons (solo owner; reasigna entries y absorbe alias).

2.8 Privacidad por defecto

Toda entrada nace private salvo que el capítulo o el libro hayan establecido otro default. Las búsquedas y tools respetan el rol:

• reader: ve public y circle.
• coauthor: ve public, circle, intimate y sus propias private.
• witness: solo ve el prompt para el que fue invitado.
• owner: ve todo del libro.

3. Arquitectura técnica

3.1 Edge-only en Cloudflare

Browser ──┬── Astro (SSG + islas React)
          │
          └── /api/memora/** (Cloudflare Pages Functions, V8 isolates)
                 │
                 ├── D1 (SQLite, 18 migraciones)
                 ├── R2 (audio + foto + vídeo)
                 ├── Vectorize (1024d cosine, índice memora-entries)
                 ├── Workers AI (Whisper, bge-m3, Llama fallback)
                 ├── DeepSeek Chat v3 (LLM principal con tool calling)
                 └── Groq (fallback / TTS futuro)

• 0 servidores, 0 procesos largos. Todo cold-start de ~5ms.
• Coste base: cero. Solo se paga DeepSeek (≈ $0.27/M tokens input) y Workers AI más allá del free tier.

3.2 Esquema de datos (D1)

18 migraciones; las tablas principales:

• memora_user, memora_user_profile — cuenta + datos biográficos (fecha de nacimiento, etc.).
• memora_project, memora_project_member, memora_project_personality — libro + roles + tono del entrevistador.
• memora_period, memora_chapter, memora_chapter_entry — eras y capítulos.
• memora_entry — corazón del modelo. CHECKs estrictos en intimacy_level, source, status, occurred_precision, author_type. embedding_dirty para reembeber.
• memora_entry_person, memora_person — personas + menciones + alias JSON.
• memora_asset — fotos / audios / vídeos en R2, con entry_id opcional (los huérfanos se vinculan al guardar).
• memora_chronicle_session, memora_chronicle_chunk — sesiones largas de voz y sus chunks transcritos.
• memora_witness, memora_invitation — testigos externos (HMAC token) y coautores invitados.
• memora_chat_session, memora_chat_message, memora_chat_pending_action — historial de Ámbar y propuestas pendientes.
• memora_assistant_nudge — sugerencias proactivas.
• memora_embedding_job, memora_search_cache, memora_geocode_cache — colas y cachés.
• FTS5 virtual table sobre body_plain para BM25.

3.3 Pipeline de retrieval híbrido

src/lib/retrieval/hybridSearch() es la única puerta:

1. parseQuery — extrae año(s), persona(s) conocida(s), límite.
2. Cache lookup (memora_search_cache, TTL configurable).
3. 3 canales en paralelo:
   • Dense: embedding del query con @cf/baai/bge-m3 → top-k de Vectorize.
   • Sparse: FTS5 con BM25 sobre body_plain.
   • Structured: SQL con filtros de fecha/persona/periodo.
4. RRF fusion (Reciprocal Rank Fusion) con pesos por canal.
5. Visibility filter según rol del usuario.
6. Hidratación: añade occurred_on, intimacy_level, snippet recortado.
7. Cache write.

3.4 Pipeline de escritura

Cada INSERT en memora_entry marca embedding_dirty=1 y crea/actualiza un memora_embedding_job. Un endpoint /api/memora/jobs/embeddings/drain (protegido por CRON_SECRET, llamado desde un Worker o cron externo) procesa la cola en lotes:

1. Recoge body_plain.
2. Lo embebe con bge-m3.
3. Hace upsert en Vectorize con metadata mínima (project, year, intimacy).
4. Marca embedding_dirty=0 y guarda hash de contenido.

El borrado/archivado limpia Vectorize por id (deleteByIds).

3.5 Pipeline de voz

• Diario / Audio: front lee el archivo, lo manda a /api/memora/stt (Whisper en Workers AI), recibe texto y lo inserta en el composer + sube el original a R2 (/api/memora/assets/upload) como adjunto.
• Crónica: grabación en chunks de 60s con MediaRecorder. Cada chunk sube a R2 + se transcribe en background. Al cerrar la sesión, un splitter LLM convierte la transcripción en N entries con fechas inferidas y los une por chronicle_session_id.

3.6 Ámbar — function calling con DeepSeek

• POST /api/memora/chat/stream — turno conversacional con SSE.
• System prompt minimalista (calidez, español, sin emojis, citas con [#entryId], tools obligatorias para hechos).
• Loop con DeepSeek Chat v3, hasta N pasos de tool calling.
• Cada tool_call se loggea como evento SSE para que el front lo muestre en vivo ("Buscando recuerdos…").
• Las mutaciones se separan por convención de nombre propose_* y se enrutan a runMutationTool. El resultado lleva confirmation_required:true, action_id, summary y un diff before/changes que el front pinta como tarjeta de propuesta.
• applyAction ejecuta la mutación real. undoAction consume el before_snapshot (excepto para merge_persons, que es destructiva).

3.7 Seguridad

• Auth: Google ID Token verificado server-side contra JWKS (RSASSA-PKCS1-v1_5 con WebCrypto), sin librerías; emisión de JWT de sesión con JWT_SECRET cadences-wide.
• Tokens de testigo: HMAC-SHA256 firmado con WITNESS_TOKEN_SECRET, expira y revocable.
• Permisos: helper resolveRoleInProject se llama en cada endpoint mutador. Coautor solo puede mutar entradas suyas vía Ámbar; merge_persons solo lo puede hacer el owner.
• Prompt injection: el system prompt instruye explícitamente a Ámbar a tratar los recuerdos como contenido, no como instrucciones.
• CORS y middleware de inyección de sesión en /functions/_middleware.ts.
• Vectorize y D1 filtran por project_id antes de intersectar con resultados de embeddings (evita filtrado solo en el modelo).

3.8 Frontend

• Astro 4 con islas React 18 hidratadas selectivamente (rendimiento de SPA solo donde toca).
• TailwindCSS con paleta propia (ink cálidos, ember naranja-rojo, paper-cream para fondos tipo cuaderno).
• lucide-react para iconografía.
• Modales y paneles unificados con clase .card (look papel + sombra "sandstone").
• Drawer chat con scope toggle, atajos teclado, scroll anclado, citas clicables tipo #ent_abc.

4. Algunas decisiones interesantes

• Soft-delete reversible desde Ámbar (status='archived' + saca de Vectorize), borrado físico solo desde la UI a propósito. La IA no destruye nada por accidente.
• occurred_precision con 5 niveles (incluido era para "los años 80"). Permite mostrar fechas borrosas con honestidad en vez de inventar día concreto.
• Modelo "propose + confirm" en vez de auto-apply. Construye confianza al usuario y permite explicar el cambio antes de hacerlo. Coste: un click más; beneficio: cero arrepentimiento.
• Rashomon view invertida tras feedback: ahora por defecto enseña todos los recuerdos de una persona, y un toggle "Solo multi-voz" filtra los compartidos. Antes salía vacío y desconcertaba.
• Coexistencia Diario + Crónica sin obligar a elegir. Algunos usuarios escriben hoy en Diario y, una tarde de domingo, abren una sesión de Crónica para una época entera.
• Audio de WhatsApp como ciudadano de primera. La fricción real para un usuario mayor no es escribir: es que ya tiene su vida en notas de voz reenviadas. Memora se las traga y las convierte en libro.
• Stack 100% serverless en Cloudflare: el coste marginal de un usuario más es prácticamente cero hasta volúmenes considerables. El TTV (time-to-value) técnico también: deploy completo en ~30s con wrangler pages deploy.

5. Lo que viene

• Audiolibro: TTS por capítulo (Workers AI Aura → Groq fallback) con voz consistente.
• Perspectiva Studio: análisis cualitativo profundo (varios pases LLM, comparativas históricas) sin contaminar la UX del chat diario.
• Cron de asistencia: Ámbar te recuerda los domingos qué época has dejado callada, qué personas no aparecen desde hace meses, qué recuerdos quedan sin fecha.
• Generación de "ediciones": PDF con portada, capítulos y fotos, lista para imprimir.
• Voz reconocida del autor: tono y muletillas se infieren de las primeras horas grabadas y el entrevistador adapta su pregunta.

6. Para el artículo de LinkedIn — ángulos posibles

1. "Construí una app que escribe la biografía de mi madre mientras ella habla" — historia personal, demo en vídeo, foco en captura de voz + Whisper.
2. "Edge-only AI: 0 servidores, 6 servicios de Cloudflare, una app real" — técnico, foco en el pipeline híbrido y en el coste marginal cero.
3. "Por qué mi asistente de IA NO escribe en la base de datos" — el patrón propose + confirm como diseño de producto, no como limitación técnica.
4. "Rashomon view: cuando varias memorias cuentan el mismo evento" — ángulo narrativo + UX, con capturas.
5. "Diario + Crónica: dos modos, un solo libro" — diferenciación frente a apps tipo Day One.

Cualquiera de los cinco encaja con un mismo CTA al final: "Si quieres probarlo, está en memora.cadences.app."