Update README.md

README.md

@@ -16,8 +16,8 @@ Client → API (FastAPI) → Orchestrator → Subagents (planner/coder/collector
 
 **Principios:**
 - **Context over chat history** — el modelo recibe estado estructurado, nunca raw tool outputs
-- **Knowledge filtering** — solo los docs relevantes al task entran en contexto (keyword scoring)
+- **Semantic search** — embeddings (OpenAI text-embedding-3-small) para seleccionar los docs más relevantes por similitud semántica
-- **Compaction** — extracción de facts, eliminación de redundancia, prioridades por sección
+- **Task history compaction** — al completar una tarea, se comprime a ~50 tokens; en sesiones largas el agente recuerda todo sin desbordar el contexto
 - **Artifact summarization** — outputs de tools resumidos antes de entrar al contexto
 - **Error recovery** — steps fallidos se saltan, timeout global, sesión nunca se queda en executing
 - **Concurrency lock** — Redis SETNX impide ejecución simultánea en la misma sesión
@@ -62,12 +62,15 @@ python3 -m uvicorn src.main:app --reload --port 8001
 ### Cargar Knowledge Base
 
 ```bash
-# Cargar docs desde el directorio docs/
+# Cargar docs + generar embeddings para semantic search
 curl -X POST http://localhost:8001/api/v1/knowledge/load \
   -H "Content-Type: application/json" \
   -d '{"docs_path": "docs"}'
+# → {"status": "loaded", "count": 13, "embeddings": true, ...}
 ```
 
+Los embeddings se generan en batch via OpenAI `text-embedding-3-small` (~$0.001 por los 13 docs) y se almacenan en Redis. Solo se recalculan al hacer `/knowledge/load` de nuevo.
+
 ## Dashboard
 
 Interfaz web para testing integrada en el microservicio. Se accede en `/dashboard/`.
@@ -176,7 +179,7 @@ curl http://localhost:8001/api/v1/knowledge
 curl -X DELETE http://localhost:8001/api/v1/knowledge/{doc_id}
 ```
 
-Los docs se cargan como `*.md` del directorio. Se sobreescriben si ya existen. No requiere reinicio — la siguiente conversación usa los docs actualizados.
+Los docs se cargan como `*.md` del directorio. Se sobreescriben si ya existen. No requiere reinicio — la siguiente conversación usa los docs actualizados. Al cargar se generan embeddings automáticamente para semantic search.
 
 ### Debug
 
@@ -199,17 +202,33 @@ El componente más crítico del sistema. Ensambla el prompt que recibe el modelo
 |---------|-----------|-----------|
 | `immutable_rules` | 100 | System prompt del agente + reglas de sesión. Nunca se recorta |
 | `project_profile` | 80 | Perfil del proyecto (nombre, tech stack) |
-| `knowledge_base` | 60 | Docs relevantes filtrados por keywords del task |
+| `knowledge_base` | 60 | Docs relevantes por semantic search + índice de títulos de todos |
+| `task_history` | 55 | Resúmenes compactos de tareas anteriores (~50 tokens c/u) |
 | `task_state` | 70 | Objetivo, plan, step actual, facts, constraints |
-| `artifact_memory` | 50 | Resúmenes de outputs de herramientas |
+| `artifact_memory` | 50 | Resúmenes de outputs de herramientas (solo tarea actual) |
 | `working_context` | 30 | Items de trabajo recientes entre steps |
 
-**Knowledge filtering:** no carga todos los docs. Extrae keywords del objetivo y step actual, puntúa cada doc (título ×10, tags ×5, contenido ×1), y selecciona los más relevantes dentro de un budget de 15k tokens. Los docs que no caben entran como summary de una línea.
+**Semantic search:** genera embedding del objetivo/step del usuario y busca por cosine similarity contra los embeddings de todos los docs. Los más relevantes entran completos (budget 15k tokens), el resto aparece como título + summary para que el agente sepa que existen y pueda pedir rehidratación.
+
+**Task history compaction:** al completar cada tarea, sus artifacts, facts y resultados se comprimen en un bloque de ~50 tokens que se guarda en `task_history`. Los artifacts viejos se borran de Redis. En una sesión de 20 tareas, el historial ocupa ~1000 tokens vs los miles que ocuparían los artifacts completos. El agente nunca pierde contexto de lo que hizo antes.
 
 **Token counting:** usa `tiktoken` (encoding `cl100k_base`) para conteo real. Fallback a estimación si tiktoken no está instalado.
 
 **Compaction:** si el total excede el context window (120k tokens default), las secciones de menor prioridad se comprimen o eliminan. `immutable_rules` nunca se toca.
 
+**Presupuesto típico tras 20 tareas:**
+```
+immutable_rules:  ~250 tokens (fijo)
+project_profile:   ~15 tokens (fijo)
+knowledge_base: ~15,000 tokens (semantic search)
+task_history:    ~1,000 tokens (20 tareas × ~50 tokens)
+task_state:       ~400 tokens (tarea actual)
+artifact_memory:  ~500 tokens (solo tarea actual)
+working_context:  ~500 tokens (solo step actual)
+─────────────────────────────────────
+TOTAL:          ~17,700 tokens / 120,000 disponibles
+```
+
 ## Orchestrator Pipeline
 
 ```
@@ -239,7 +258,7 @@ Docker (microservicio — uno solo corriendo)
 POST /sessions { mcp_env: { ACAI_WEB_URL: "https://tienda.com", ... } }
   → Arranca subprocesos MCP con esas env vars
   → Session aislada con su propio MCPManager
-  → 33 tools descubiertas automáticamente
+  → 55 tools descubiertas (acai-code: 33, playwright: 21, fetch: 1)
 
 DELETE /sessions/{id}
   → Mata los subprocesos MCP de esa sesión
@@ -258,6 +277,18 @@ DELETE /sessions/{id}
       "env": {},
       "timeout": 30,
       "startup_timeout": 10
+    },
+    "playwright": {
+      "command": "npx",
+      "args": ["@playwright/mcp", "--headless"],
+      "timeout": 30,
+      "startup_timeout": 15
+    },
+    "fetch": {
+      "command": "uvx",
+      "args": ["mcp-server-fetch"],
+      "timeout": 30,
+      "startup_timeout": 15
     }
   }
 }
@@ -294,7 +325,7 @@ AGENTIC_MCP_SERVER_ARGS=["mcp-server/stdio.js"]
 
 ### Tool namespacing
 
-En modo multi-server, los tools se namespean: `acai-code.compile_module`, `filesystem.read_file`. En modo single-server los tools mantienen su nombre original.
+En modo multi-server, los tools se namespean con `__` (compatible con OpenAI que no acepta puntos): `acai_code__compile_module`, `playwright__browser_navigate`. En modo single-server los tools mantienen su nombre original.
 
 ### API de gestión MCP
 
@@ -350,6 +381,7 @@ agentic:session:{id}:lock         → Execution lock (SETNX, TTL 5min)
 agentic:sessions:index                  → Set de session IDs activos
 agentic:memory:knowledge:{doc_id}       → MemoryDocument JSON
 agentic:memory:knowledge:_index         → Set de doc IDs
+agentic:embeddings:knowledge:{doc_id}   → Embedding vector (1536 floats JSON)
 agentic:memory:_tag:{tag}               → Set de doc IDs por tag
 agentic:memory:_type:{type}             → Set de doc IDs por tipo
 ```
@@ -371,7 +403,8 @@ agentic:memory:_type:{type}       → Set de doc IDs por tipo
 │   │   ├── engine.py           # Prompt assembly, knowledge filtering, debug
 │   │   └── compactor.py        # Compaction, summarization, tiktoken
 │   ├── memory/                 # Persistent memory
-│   │   └── store.py            # Redis-backed memory + embeddings
+│   │   ├── store.py            # Redis-backed memory + similarity search
+│   │   └── embeddings.py       # OpenAI embedding service
 │   ├── adapters/               # Model provider adapters
 │   │   ├── base.py             # ModelAdapter interface
 │   │   ├── claude_adapter.py   # Anthropic Claude (streaming)