Investigación y desarrollo en seguridad Edge AI

Inteligencia Artificial
True Edge

Desarrollamos soluciones con inteligencia artificial en el Borde, abordamos las areas desde seguridad, bioingenieria e investigacion en IA.

<50msLatencia táctica
100%Edge — sin nube
sspa_event_stream — SOC
Fusión sensorial — Intrusión confirmada
nodo_07 · YOLOv10 + YAMNet · conf:0.94
CRÍTICO
LPR — Vehículo autorizado
portón_norte · placa:AB123CD · whitelist OK
AUTH
Audio — Rotura de cristal detectada
nodo_03 · YAMNet · conf:0.88
ALERTA
Modo Escolta activado — protocolo E-2
operador:jpc · geofence_A
ESCOLTA

Investigación aplicada nacida en Argentina

Aural-Syncro nació en 2024 en San Juan, Argentina, como un proyecto de investigación en seguridad ciudadana asistida por inteligencia artificial. Nuestra filosofía es procesar los datos donde se generan — en el borde — para lograr respuestas tácticas sub-50ms sin depender de servidores externos.

Trabajamos en tres frentes simultáneos: seguridad perimetral con SSPA, diagnóstico predictivo de enfermedades crónicas con Endo-Edge LAB+, y productividad de software con nuestro Asistente Multimodal. Todos comparten el mismo núcleo: IA de alto rendimiento ejecutándose completamente on-premise.

DNDA Registrado ISO — En proceso San Juan, Argentina · 2024

Gobierno y Defensa

Fronteras, instalaciones estratégicas.

Aeropuertos

Control perimetral de pistas.

Infra. crítica

Plantas industriales.

Sector privado

Complejos corporativos.

Educación

Universidades y campus.

Salud

Hospitales y análisis IA.

Seis líneas de investigación y desarrollo

Cada proyecto es autónomo pero comparte la misma filosofía: procesamiento on-premise, código original y arquitectura orientada a entornos de alta criticidad.

SSPA vs. el mercado Edge AI Security

Diferencial clave: fusión sensorial audio-video en tiempo real con orquestación IoT física y asistente SOC IA vía Claude (Anthropic) & OpenAI MCP — sin latencia de nube.

Característica SSPA — Aural-Syncro Edge ImpulseMicroAIHailo Technologies
Procesamiento 100% Edge
Fusión Video + Audio tiempo real
Orquestación IoT físicaParcial
Operación sin nube (Cloudless)Parcial
Evidencia forense inmutable
VPN dedicada nodo-SOC
Latencia de respuesta<50ms100–300ms50–150ms<30ms HW
Modo Escolta proactivo
Asistente IA SOC (Claude & OpenAI MCP)

Buscamos socios estratégicos

Producto desarrollado, propiedad intelectual registrada y validación técnica completa. Buscamos inversores que acompañen la expansión comercial y la certificación ISO.

Producto listo v1.19.0Plan de negocios en desarrollo
1

Certificación ISO 27001

Habilitar contratos con sector público y defensa.

2

Expansión comercial

Primeras instalaciones en Argentina y región.

3

Hardware propio Jetson

Nodo edge dedicado ARM+NPU para reducir costos.

4

Canal de distribución

Red de integradores certificados en LATAM.

Hablemos sobre su proyecto

Consultas comerciales, técnicas, de inversión o alianzas.

Correo electrónico

Consultas y propuestas

[email protected]

Telegram

Respuesta rápida 24/7

@auralsyncrobot

Ubicación

San Juan, República Argentina

Operamos en toda la región

Enviar consulta

Volver a proyectos
Portal Clientes →

SSPA — Sistema de Seguridad Personalizada Asistida

Plataforma Edge AI de nueva generación para seguridad perimetral. Fusiona visión computacional (YOLOv10), análisis acústico (PANNs CNN14) y orquestación IoT física en tiempo real, procesando todo en el nodo edge sin dependencia de nube.

v1.19.0 — Production Ready DNDA EX-2026-21285835 C++20 · Python 3.11 · Go 1.22 Jetson AGX Orin · TensorRT · CUDA

Capacidades clave

  • Inferencia YOLOv10 en TensorRT FP16 — batch dinámico hasta 50 streams simultáneos
  • Análisis acústico PANNs CNN14 — hasta 20 micrófonos en batch, 527 clases AudioSet
  • Fusion Engine: correlación audio-video en tiempo real — escalado a nivel crítico
  • IoT Gateway: control de sirenas, portones y cerraduras vía MQTT
  • Evidencia forense inmutable SHA-256 + MinIO WORM
  • Modo Escolta con geofencing y visión computacional
  • WireGuard VPN mesh nodo ↔ SOC central
  • Asistente IA SOC vía MCP — Claude (Anthropic) y OpenAI para análisis de incidentes y reportes
  • Perfiles de venue declarativos — zonas, horarios y reglas por sitio con integridad SHA-256
  • Capacidades IA por suscripción — LPR, audio extendido, pose y reconocimiento facial (enterprise)

Métricas de rendimiento

Vision Engine p95
<20ms
Event Router p95
<35ms
WebSocket notif.
<80ms
API endpoints p95
<150ms
WireGuard recovery
<20s

Tiers por hardware Jetson

Starter → Orin NX 8GB · 8 cams Standard → Orin NX 16GB · 16 cams Pro → AGX Orin 32GB · 32 cams Enterprise → AGX Orin 64GB · 50 cams

Flujo de detección → fusión → respuesta

RTSP streams Cámaras IP ALSA PCM Micrófonos IoT sensors PIR / LPR Vision Engine YOLOv10 · TRT FP16 <20ms p95 Audio Engine PANNs CNN14 · TRT N mics batch Fusion Engine correlación audio+video escalado automático CRÍTICO si ambos Event Router Go · state machine dedup Redis <35ms p95 IoT Gateway sirenas · portones SOC Dashboard WebSocket · alertas Telegram Bot <1.5s entrega MinIO WORM evidencia SHA-256 SENSORES EDGE AI FUSIÓN ROUTING RESPUESTA WireGuard VPN · nodo edge ↔ SOC

Arquitectura por capas

Sensores
RTSPALSA micsPIRLPR
Edge AI
YOLOv10/TRTPANNs CNN14Fusion Engine
Control
Event Router (Go)IoT GatewayPolicyEngine (C++)
Transporte
WireGuard VPNMQTT/TLS
SOC
Management APIMinIO WORMTimescaleDB
Observ.
PrometheusGrafanaZabbix
IA · MCP
Claude (Anthropic)OpenAI GPT-4oMCP ProtocolSOC AI Server

Integración IA — Claude & OpenAI vía MCP

El Management Platform expone un servidor MCP (Model Context Protocol) sobre HTTPS. Operadores y analistas conectan su sesión de Claude Pro/Max o ChatGPT Teams a este endpoint y obtienen herramientas SOC en tiempo real, sin compartir credenciales de la plataforma.

HERRAMIENTAS SOC EXPUESTAS
  • query_alerts — alertas activas por zona / nivel
  • get_incident_detail — detalle y evidencia forense
  • generate_report — reporte de turno en Markdown
  • list_camera_zones — estado de cámaras y streams
  • get_event_timeline — línea de tiempo de eventos
  • trigger_response — acciones IoT autorizadas
CLIENTES IA COMPATIBLES
  • Claude Pro / Max — claude.ai web + desktop
  • Claude Code — CLI con soporte MCP nativo
  • ChatGPT Teams / Enterprise — GPT-4o vía connector
  • Cursor / Windsurf — IDE con MCP integrado
Autenticación por token personal de larga duración. Permisos por rol operador / analista / supervisor.
Modelos Claude y OpenAI corren en los servidores de Anthropic y OpenAI respectivamente. SSPA actúa exclusivamente como servidor MCP — ningún dato sale de la infraestructura del cliente sin autorización explícita del operador.

Roadmap

v1.18 — ProducciónStack completo, 19 servicios healthy, DNDA registrado.
Integración IA MCP — Claude & OpenAISOC AI Server con 6 herramientas MCP. Tokens por operador. Claude + OpenAI.
Sprint 6 — Engines TRT multi-tierCompilación YOLOv10 + PANNs CNN14 por tier × plataforma Jetson.
v1.19.0 — VenueProfile & PolicyEnginePerfiles de venue declarativos por sitio. PolicyEngine en edge. Capacidades IA por plan.
Sprint 7 — Portal de clientesPortal end-user con alertas y facturación.
ISO 27001Certificación para defensa y sector público.

Stack tecnológico

C++20TensorRT 8.xYOLOv10PANNs CNN14CUDA FP16Python 3.11FastAPIGo 1.22Next.js 16PostgreSQL+TimescaleDBRedis 7.2MinIO WORMMQTTWireGuardPrometheusGrafanaZabbixDocker ComposeClaude · AnthropicOpenAI GPT-4oMCP Protocol
Volver a proyectos
Research Lab →

Endo-Edge LAB+

Plataforma de diagnóstico temprano de enfermedades crónicas. Integra datos continuos de wearables con historial longitudinal de laboratorio en un marcador unificado de tendencia de riesgo — 2 a 5 años antes del diagnóstico convencional.

FASE 1B · Protocolo EE-2026-002 Edge AI · FHIR R4 · Medical IoT MAX78002 · LSTM BiDir · on-premise PI: Juan Pablo Chancay · Aural-Syncro

Arquitectura de 3 nodos

NODO 1 — Wearable BAN MAX78002 · Cortex-M4F · CNN Accelerator ECG 256 Hz · GSR · IMU 6 ejes Hexoskin ProShirt CGM · Temperatura · SpO₂ 5–15 min lag fisiológico Pan-Tompkins HRV · Z-score N-Zscore individual (línea de base propia) FHIR R4 bundle · MessagePack firma RSA-2048 · Ley 25.506 BLE → Hub → WiFi/4G → Nodo 2 NODO 2 — Servidor On-Premise FastAPI · asyncio · HAPI FHIR R4 Motor de Fusión Temporal (MFT) buffer circular 24h (288 pasos × 5 min) alineación heterocrónica · 8 señales NNC Engine — LSTM BiDir tensor [paciente, 288, 8] → inferencia N-Zscore baseline · predicción 2–5 años RTM Output nivel · velocidad · dirección HAPI FHIR R4 Local Patient · Observation · DiagnosticReport RiskAssessment · backup 5 min Panel de monitorización · alertas por umbral RTM NODO 3 — Edge Laboratorio HL7 FHIR R4 · historial longitudinal HAPI FHIR Server local DiagnosticReport · 5–7 años OCR fallback PDF/papel → FHIR (validación manual) Panel LAB+: Insulina, TSH citoquinas, función orgánica GCP / AWS (anonimizado) sync diferida · entrenamiento modelo backup cifrado FHIR lab data sync anon.

Hipótesis científica

  • La fusión WEAR + LAB anticipa 10 enfermedades crónicas 2–5 años antes del diagnóstico convencional.
  • RTM = trayectoria de riesgo (nivel + velocidad + dirección), no solo estado instantáneo.
  • Diseño híbrido: la firma preclínica ya existe en los sistemas LIS — sin esperar 7 años.
  • Cobertura objetivo: 78% de las enfermedades crónicas de mayor prevalencia en Argentina.

Patologías Fase I (10 enfermedades)

Diabetes T2 Hipotiroidismo Sínd. metabólico Hipertensión Dislipidemia PCOS Hígado graso MASLD Prediabetes Resistencia insulínica Inflamación crónica

Estado del proyecto

Protocolo EE-2026-002-FASE1B v2.1Protocolo v2.1 completo. Equipo conformado. NDAs ejecutados.
Arquitectura tecnológica definidaPipeline MFT documentado. MAX78000 + LSTM BiDir + HAPI FHIR R4.
Reclutamiento de cohorteGrupos A/B/C — historia retrospectiva 7 años + seguimiento 18 meses.
Implementación MFT + NNC EngineMotor de fusión + LSTM BiDir. Sprint 7.
Validación clínica pilotoEstudio longitudinal N=1 · Síndrome de Schmidt (APS-2).

Stack tecnológico

MAX78002nRF52840 (BLE 5.2)Python 3.11FastAPILSTM BiDir INT8ONNX Runtime 1.17HAPI FHIR R4HL7 FHIRPyTorchai8xize.pyDelphi-2M (UK Biobank)MessagePackRSA-2048Java 17
Volver a proyectos

@nanohero — Plataforma SaaS de flujos de IA multi-agente

Plataforma SaaS para diseñar y ejecutar pipelines de IA en canvas visual. DAGs de nodos con ejecución asíncrona · SSE streaming · Multi-provider BYOK · Sistema de créditos · MCP connections.

Beta — Fases 0-4 completas SaaS · Multi-tenant · Multi-provider Next.js 15 · FastAPI · PostgreSQL · Redis por Aural-Syncro

La Nano-Legión — 4 agentes especializados

"La solución no es un proceso, es una legión."

🔍
The Profiler
Traductor de intención
Escanea el espectro de tu prompt. Refina la intención, filtra el ruido y convierte tu idea en una tarea estructurada.
READY
📐
Blueprinter
Arquitecto de sistemas
Diseña la victoria sobre la lógica pura. Define arquitectura, stack y estructura antes de escribir código.
READY
⌨️
The Scripter
Desarrollador de código
Escribe el futuro, una línea a la vez. Genera código y se auto-corrige desde el feedback real del Sandbox.
READY
🛡️
Sentinel
QA · Seguridad · Sandbox
Nada sale de aquí si no es perfecto. Tests reales en contenedores aislados. Guardián de calidad y seguridad.
READY

Ventajas vs. Flowise y competidores

  • Plugin VSCode nativo vía MCP Server — flujos desde el IDE sin cambiar de contexto.
  • Memoria persistente entre sesiones — brief, decisiones e historial auto-inyectados al retomar.
  • SaaS gestionado sin instalación — acceso inmediato. Flowise requiere Docker y servidor propio.
  • Marketplace con economía de comunidad — flujos monetizables, 70% revenue share para creadores.
  • Primera plataforma con comunidad IA hispanohablante nativa — LATAM + España.

Modelo de negocio

Free
$0 / siempre
  • 100 créditos/mes
  • BYOK sin créditos
  • Canvas completo sin restricciones
  • MCP connections
Team
$150/mes
  • Workspace colaborativo
  • Créditos compartidos del equipo
  • BYOK grupal
  • Publisher Verified incluido

Planes Free / Solo $15 / Team $150 / University $500 — sin feature-gating. 1 crédito = 1000 tokens via proxy · BYOK = 0 créditos · Marketplace 70/30 revenue share.

Roadmap de desarrollo

Fase 0-1 — Auth · Multi-tenancy · API Key VaultJWT, rate limiting, PostgreSQL, tenant isolation, Fernet AES vault. Base completa.
Fase 2 — Canvas visual · Workers distribuidos · SSE streamingCanvas @xyflow/react · 5 tipos de nodo · FlowExecutor DAG · Workers async · SSE streaming por nodo · NodePanel 9 secciones completo.
Fase 3 — Multi-provider · MCP · Pipeline OpenClawRouting multi-provider · MCP connections · guardrails · sampling avanzado · Pipeline OpenClaw.
Fase 4 — Sistema de créditos · Stripe · Test run completoCréditos de ejecución · Stripe · planes Free/Solo $15/Team $150/University $500 · stack Docker levantado y probado end-to-end.
Fase 5 — Marketplace · Publishers · Revenue shareMarketplace de nodos premium · Stripe Connect · revenue share 70/30 · Publisher Verified.
Fase 6 — SDK Python · CLI · EnterpriseSDK Python + CLI · RBAC + SSO Enterprise · VPS São Paulo.

Stack tecnológico

Next.js 15React 19@xyflow/react 12ZustandTanStack Queryshadcn/uiFastAPI 0.115PostgreSQL 16Redis 7SQLAlchemy 2AlembicJWT · bcryptFernet AES BYOKSlowAPIMCP (stdio · SSE · HTTP)Anthropic · OpenAI · OpenRouter · Google · Mistral · Cohere · Ollama
Ver repositorio →
Volver a proyectos
Research Lab →

TCO-L2 / CAL — Cognitive Abstraction Layers · Layer 2 Empirical Anchor

La cognición escalable requiere compresión semántica jerárquica. CAL: arquitectura de 5 niveles (L0–L4) donde cada capa comprime estado preservando la topología de gobernanza. TCO-L2 es el ancla empírica de L2: valida vía RCT n=40 que la representación tensorial es semánticamente conservativa. La calidad de gobernanza escala con SID (Semantic Information Density), no con el tamaño del contexto. Pre-paper CAL v1.3 en Zenodo · Working paper TCO-L2 v3.0 · CHI 2027.

CAL v1.3 · TCO-L2 v3.0 — Core implementado CAL Architecture · L0–L4 · SID DOI 10.5281/zenodo.20430343 DNDA EX-2026-21285835 CC BY 4.0 Lead researcher: Juan Pablo Chancay

El problema central: escala vs. comprensión

Los pipelines agénticos generan a escala que excede la revisión humana. Dos respuestas comunes son incorrectas: reducir el rol humano o mejorar herramientas — ambas operan al nivel de abstracción equivocado. CAL: compresión semántica jerárquica que preserva la topología de gobernanza en cada frontera de capa.

CAL — Arquitectura de 5 niveles (L0–L4)

Invariante: cada capa comprime estado preservando estructura causal y decisional suficiente para la capa superior. Gobernanza escala con SID, no con contexto.

  • L4 — Meta-Inference (abierto): M(V) → decisions · drift prediction · policy generation — sin memoria de trabajo humana. Venue: NeurIPS/ICML.
  • L3 — Tensor Volume (abierto): V = C({T(s)}) · operador de composición C · causal preservation · temporal coherence — problema abierto. Venue: NeurIPS/ICML.
  • L2 — TCO-L2 (ancla empírica · CHI 2027): T[d,i,j,k] · φ: A→V[0,1]¹¹ · f: {V}→T · I: T→{Ω,Δ,Ρ,Ξ} · Orquestación humana NCF · RCT n=40 · primera medición SID(L0→L2).
  • L1 — Semantic Feature (instanciado por LLMs): Embeddings · señales de calidad · relaciones · instanciado por LLMs existentes — no es contribución nueva, es la interfaz formal hacia L2.
  • L0 — Token / Artifact Space: Outputs crudos de agentes IA · volumen que excede capacidad de revisión humana — motivación de la jerarquía.

SID — Semantic Information Density

SID_D(Lk→Lk+1) = I(D;R_{k+1}) / I(D;R_k) — por la desigualdad del procesamiento de datos, información destruida no se recupera. Condicionada al conjunto de decisiones D, no a entropía abstracta. Problema abierto: medir SID sin señal humana de referencia en L3–L4.

Arquitectura interna de TCO-L2

  • Human Orchestration (NCF): Lee {Ω, Δ, Ρ, Ξ} · inyecta política P_new en lenguaje natural — sin acceder a código, logs ni configs
  • Inference I: T → {Ω, Δ, Ρ, Ξ}: Ω estado global (stable/warning/critical) · Δ tendencia · Ρ riesgo sistémico · Ξ recomendaciones priorizadas
  • Tensor Aggregation f: {V} → T[d,i,j,k]: dimensión × etapa × agente × tiempo — slicing conjunto hace operaciones como S3/S5 expresables en una línea frente a N×(N-1)/2 joins en SQL
  • Vectorization φ: A → V ∈ [0,1]¹¹: v₁-v₃, v₉ supervisory estimators (LLM-QA) · v₄, v₆, v₇, v₈ ground truth verificable (Bandit, Radon)
  • QA Evaluation (multi-agente): qa_agent · security_agent · perf_agent · arch_agent — evaluación paralela de artefactos
  • AI Generation: code_agent · design_agent · deploy_agent · test_agent — outputs crudos (CAL L0)

Hipótesis de investigación (RCT n=40)

  • H1 — Carga cognitiva: El grupo TCO reportará menor NASA Raw-TLX que el grupo control.
  • H2 — Precisión de decisión (ancla SID): El grupo TCO tomará decisiones más precisas (Cohen's d > 0.50). H2 positivo = primera medición empírica de SID(L0→L2).
  • H3 — Escalabilidad: El grupo TCO escala con número de agentes; el control degrada.
  • H4 — Detección anticipada: El grupo TCO detecta riesgos (S3/S5) indetectables por revisión de artefactos individuales.
  • H5 — Re-orquestación (PIQ): Las políticas P_new del grupo TCO tendrán mayor PIQ score.

Agenda de investigación

Pre-paper CAL v1.3 — Publicado ZenodoFraming teórico CAL L0–L4 · SID · Governance Manifold Hypothesis · L4 Efficiency Hypothesis. DOI 10.5281/zenodo.20430343 · CC BY 4.0.
TCO-L2 Working Paper v3.0 — Core implementadoPipeline LangGraph · Vectorizador φ · Tensor T[d,i,j,k] · Motor de inferencia I · Escenarios S1–S5 con ground truth · Monte Carlo n=1000 (S3/S5 +34.6pp). Experimento RCT pendiente. Venue: CHI 2027.
TCO-L2 Experimento RCT — PendienteBuild sem 1–4 · Pilot n=4 sem 5 · Calibración LLM-Judge sem 6 · Experimento n=40 sem 7–8 · Análisis + writing sem 9–10. Submission CHI 2027 (sep 2026).
L3 — Tensor Volume Layer (problema abierto)Operador de composición C tal que SID(L2→L3) > θ con preservación causal, coherencia temporal, estabilidad dimensional. Governance Manifold Hypothesis testeable en corpus TCO-L2. Venue: NeurIPS/ICML.
L4 — Meta-Inference Layer (problema abierto)M(V) → gobernanza sin memoria humana. L4 Efficiency Hypothesis: Cost(M(V)) = O(κ(V)) donde κ(V) crece sub-cuadráticamente en n. Venue: NeurIPS/ICML.

Stack tecnológico

Python 3.11FastAPIPostgreSQLRedisLangGraphClaude API (sonnet-4-6)React 18RechartsRadon (CC · Halstead · MI)Bandit (CVSS)NASA Raw-TLXMonte Carlo (n=1000)DNDA EX-2026-21285835CC BY 4.0
Pre-paper CAL — Zenodo →
Volver a proyectos
Probar VSO Platform →

VSO Platform — SaaS Multi-Tenant de VSO Agents

Plataforma SaaS multi-tenant para asistentes virtuales de ventas. Canales Telegram · WhatsApp · Webchat · Email — módulos RAG / catálogo / carrito / checkout — backends Medusa y Shopify — dashboard Vue 3 con monitoreo conversacional — Auth 2-step — self-registration con trial de 30 días — tenants reales en producción.

Fases 1–5a completas SaaS Multi-Tenant · Self-registration Python 3.11 · FastAPI · PostgreSQL · Redis · Vue 3 vso-admin.aural-syncro.com.ar por Aural-Syncro

Arquitectura multi-tenant

  • TenantRegistry construye un TenantContext aislado por empresa al arrancar — RAG, rate limiter, guardrails y carrito con namespace propio.
  • Un Bot Telegram por tenant (aiogram), handlers como closures — solo se activan los módulos habilitados.
  • WhatsApp: webhook único (puerto 8001) enrutado por phone_number_id al tenant.
  • Webchat: WebSocket /ws/{slug} (puerto 8003) + widget.js vanilla embebible en cualquier landing con un <script>.
  • Admin API (puerto 8002): CRUD de tenants + hot-reload sin downtime vía registry.reload(slug).
  • Credenciales cifradas con Fernet en DB — nunca expuestas por la API.

Canales disponibles

  • Telegram: Bot aiogram con teclados inline, catálogo, carrito y checkout en el chat.
  • WhatsApp: Meta Graph API v20 · mensajes interactivos (botones, listas, CTA URL) · pipeline commerce completo con routing inteligente.
  • Webchat: Widget vanilla JS embebible — bubble flotante + product cards. Configuración por atributos data-*.
  • Email: Soporte conversacional IMAP/SMTP · respuesta automática por email · credenciales Fernet-cifradas.

Módulos por tenant

  • rag: FAQ/políticas vía LLM + ChromaDB · KB por tenant · TTLCache.
  • catalog: Exploración de categorías y productos del backend (Medusa / Shopify).
  • cart: Carrito en Redis {slug}:cart:{user_id} · TTL 24h · sincronizado con backend.
  • checkout: Checkout via MercadoPago (Medusa) o link nativo Shopify · notificación Telegram al capturar pago.

Multi-modelo LLM

Sin API key → Ollama local (llama3.2:3b). Con API key → LiteLLM contra OpenAI, Anthropic u otro proveedor. Cada tenant puede tener su propio modelo y key, cifrada con Fernet.

Self-service y monitoreo

  • Self-registration + Trial: registro autónomo con elección de canal, trial 30 días y portal de usuario Vue 3 — configuración, conversaciones y billing desde una sola interfaz.
  • Dashboard conversacional: SPA Vue 3 con sesiones por tenant/canal, búsqueda, drawer de mensajes y auto-refresh. Sidebar muestra el nombre del cliente y canal activo.
  • Auth 2-step PIN email: flujo init → verify → cookie HttpOnly. Setup UI de credenciales desde el dashboard, sin exposición de valores sensibles.
  • Human Handoff: detección automática + notificación operador Telegram + modo silencio hasta liberación manual.

Roadmap de implementación

Fase 1 — Fundación multi-tenantTenantRegistry · TenantContext · RAGChain · módulos catalog/cart/checkout · canales Telegram + WhatsApp · Medusa backend.
Fase 2 — Admin API con hot-reloadCRUD tenants/módulos/canales · hot-reload sin downtime · Fernet credentials · Swagger /admin/docs.
Fase 3 — Canal WebchatWebSocket /ws/{slug} · widget.js vanilla embebible · product cards · sessionStorage.
Fase 4a — Backend ShopifyShopifyBackend Storefront GraphQL API 2024-04 · checkout link nativo · compatible con todos los módulos.
Fase 4b — Notificaciones + Multi-LLM + Human HandoffWebhook pago → notificación Telegram · llm_api_key por tenant · Human Handoff con notificación operador.
Fase 5a — Monitoreo conversacional + Dashboard Vue 3conversation_messages · logging fire-and-forget en 3 canales · dashboard SPA Vue 3 · sidebar/tabs/drawer · auto-refresh 30s.
Cloudflare tunnel + WhatsApp commerce + Canal EmailCloudflare tunnel propio · commerce pipeline WhatsApp completo · canal Email · tenants Nimbi y SSPA en producción.
Auth 2-step · Setup UI · Billing · Self-registration · TrialAuth 2-step PIN email · Setup UI credenciales · Billing MercadoPago · self-registration · trial 30 días.
Migración a Docker + Portal de usuarioDocker Compose bind-mount · imagen 667 MB CPU · portal usuario Vue 3 · tenant switcher · sidebar admin owner-aware.
Fase 5b — Billing completo + Email Marketingtenant_plans con límites · email marketing outbound con LLM · SendGrid / AWS SES.

Stack tecnológico

Python 3.11FastAPIaiogram 3.xVue 3PostgreSQL 16SQLAlchemy asyncAlembicRedisChromaDBLiteLLMOllama (llama3.2:3b)all-MiniLM-L6-v2Fernet · bcryptMedusa Store API v2Shopify Storefront GraphQLMeta Graph API v20MercadoPago PreapprovalCloudflare TunnelDocker Compose
Volver a proyectos
Acceder al Research Lab →

Research Lab

Plataforma de gestión científica on-premise para equipos de investigación. Combina trazabilidad documental inmutable, grafos de conocimiento y máquina de estados de hipótesis con integración nativa de Obsidian, GitHub App y asistente IA vía Claude (Anthropic) — servidor MCP nativo.

Producción v1.0 Invitation-only lab.aural-syncro.com.ar FastAPI · PostgreSQL 15 · Redis 7.2 Claude · Anthropic MCP

Funcionalidades principales

  • Knowledge Graph científico — relaciones entre hipótesis, experimentos y hallazgos
  • Bitácora inmutable — entradas con hash SHA-256, no editables ni eliminables
  • Máquina de estados de hipótesis — draft → active → confirmed / refuted / archived
  • Hitos y requerimientos — trazabilidad completa entre objetivos y experimentos
  • Referencias con soporte DOI — resolución automática de metadatos
  • Documentos colaborativos — soft lock Redis, edición concurrente segura
  • Sincronización Obsidian — plugin TypeScript con sync bidireccional y soft-lock
  • Sincronización Logseq — plugin plain JS con sync bidireccional, conflict detection y journals
  • Integración GitHub App — Installation Token, vinculación de commits y PRs
  • Servidor MCP nativo — investigadores conectan su sesión Claude Pro/Max directamente al Lab sin API key propia

Asistente IA — Claude (Anthropic) vía MCP

El Research Lab funciona como un servidor MCP (Model Context Protocol). Cada investigador conecta su suscripción personal de Claude Pro o Max — desde claude.ai web o Claude Desktop — directamente al Lab. Claude accede en tiempo real a los proyectos, hipótesis, bitácora y referencias del investigador sin necesitar una API key de Anthropic separada.

HERRAMIENTAS DISPONIBLES
  • list_projects — proyectos del investigador
  • get_project_overview — resumen completo
  • list_hypotheses / get_hypothesis
  • create_hypothesis — PI y Colaborador
  • list_journal / add_journal_entry
  • search_notes / list_references
CÓMO CONECTARSE
  • Web: claude.ai → Settings → Integrations → Add URL
  • Desktop Mac: ~/Library/.../claude_desktop_config.json
  • Desktop Win: %APPDATA%\Claude\claude_desktop_config.json
  • Token: personal, de larga duración, desde Herramientas → Token MCP
El modelo de lenguaje corre en la infraestructura de Anthropic. El Research Lab actúa exclusivamente como servidor MCP — expone herramientas de lectura y escritura sobre los datos del proyecto. Ningún dato sale del servidor del Lab sin que el investigador lo autorice explícitamente a través de su sesión de Claude.

Arquitectura y stack

API
FastAPI · Python 3.11
Base datos
PostgreSQL 15 · TimescaleDB
Cache
Redis 7.2
Frontend
SPA Vanilla JS
Plugins
TypeScript · ObsidianJS · Logseq
IA · MCP
Claude · AnthropicMCP Server nativoToken personal
Seguridad
PIN 2FA · Email · REGISTRATION_OPEN=false
Acceder al Research Lab →

Roadmap de integraciones

Plugin Obsidian — Sync bidireccionalTypeScript · sync notas y journals · soft-lock anti-colisión · MCP bridge stdio · bulk sync pendiente
Plugin Logseq — Sync bidireccionalPlain JS · sync bidireccional · conflict detection · token refresh · journals — implementado sesión 4
ZoteroSync referencias bibliográficas con el módulo references — próxima integración
NotionSync via API REST — menor prioridad