Open source

Los tres motores de SynaLemma son open source.

Synalinks para el agente, Synalog para la lógica y Semantic Layers para el conocimiento: todos bajo Apache-2.0 y desarrollados en abierto. Como el código es público, cualquiera puede comprobar cómo verifican una regla y calculan una respuesta los motores de SynaLemma.

Esta página es técnica. Para su negocio, significa que cualquiera puede inspeccionar los motores sobre los que funciona SynaLemma, y que sus reglas siguen siendo legibles fuera de nuestro producto. Ver SynaLemma

  • 1.4k estrellas en GitHub
  • 1k descargas de PyPI / mes
  • Apache-2.0 licencia
Synalinks

Un framework neurosimbólico para aplicaciones basadas en modelos de lenguaje.

  • Neurosimbólico
  • Agentes
  • RAG
  • In-context RL
  • Sandbox integrado
  • Grafos de conocimiento
  • Salida estructurada
  • Python

Synalinks es un framework para construir, entrenar y desplegar aplicaciones basadas en modelos de lenguaje (pipelines RAG, agentes autónomos y sistemas de razonamiento que evolucionan por sí mismos) con una API declarativa y limpia heredada de Keras. Aporta a los sistemas de IA la disciplina del deep learning: componer módulos, optimizar sus instrucciones frente a métricas reales sin tocar los pesos del modelo, ejecutar el código de los agentes en un sandbox integrado y desplegar el resultado como API o como servidor MCP. Desarrollado bajo la supervisión de François Chollet, autor de Keras.

Primeros pasos
$ uvx synalinks init

Por qué le interesa: la asistente de SynaLemma está construida con él, de modo que sus salidas se ajustan a un esquema y sus instrucciones se optimizan en función de resultados medidos.

★ 464 968 / mes Apache-2.0
Synalog

Convertir tablas en bruto en conocimiento estructurado y verificado.

  • Motor lógico
  • Datalog
  • Grafos de conocimiento
  • Compila a SQL
  • Verificación formal

Synalog es un lenguaje lógico de la familia Datalog, escrito en Rust, que se compila a siete dialectos de SQL. Un verificador formal rechaza una regla mal construida antes de generar ningún SQL, y las aserciones en lógica de primer orden, escritas en la notación de Lean, buscan contraejemplos en sus datos. Grafos de conocimiento sobre sus tablas, recursión acotada, razonamiento a lo largo del tiempo: no se copia nada y todo se ejecuta en su base de datos.

Una lista de materiales en todos sus niveles, con sus aserciones
concepts/requires.l
---
name: Requires
description: An assembly requires a component, directly or inside a sub-assembly, at any level of the bill of materials.
---
import concepts.contains.Contains;

@Assert(Requires,
        no_cycle: "∀ a, ¬ Requires a a",
        transitive: "∀ a b c, Requires a b → Requires b c → Requires a c",
        includes_direct: "∀ a c q, Contains a c q → Requires a c");
@Recursive(Requires, 20);
@OrderBy(Requires, "assembly_id", "component_id");
Requires(assembly_id:, component_id:) distinct :- Contains(assembly_id:, component_id:);
Requires(assembly_id:, component_id:) distinct :-
  Requires(assembly_id:, component_id: middle), Contains(assembly_id: middle, component_id:);

Por qué le interesa: sus reglas de negocio se convierten en código que se verifica antes de ejecutarse, y cada respuesta se remonta a los datos que la produjeron, que es lo que le pedirá mostrar un cliente o un regulador.

★ 15 35 / mes Apache-2.0
Semantic Layers

Sus definiciones de negocio, como código verificado que ejecutan los agentes.

  • Formato abierto
  • Agent Skills
  • Aserciones
  • Git
  • Cualquier agente de programación

Agent Skills dio a los agentes un formato abierto para los procedimientos. Semantic Layers aplica la misma idea al conocimiento: una carpeta de definiciones (stock disponible, una entrega con retraso, un proveedor crítico) y de las reglas que razonan sobre ellas. El agente no parafrasea la definición: esta se ejecuta en la base de datos y da el mismo resultado sea cual sea el agente que la ejecute.

Buscar y después ejecutar
$ semantic-layers search 'late|delivery'

Por qué le interesa: un layer de miles de definiciones ocupa unas pocas líneas de contexto, porque el agente busca en lugar de cargarlo todo. Se instala con un solo comando, y no entra en él nada sin verificar. Y como un layer es un repositorio git, el historial de cada definición puede revisarse y auditarse como código.

Alpha Apache-2.0
Synalinks Skills

La experiencia de Synalinks, empaquetada para agentes de programación.

  • Agent Skills
  • SKILL.md
  • Claude Code
  • Codex
  • OpenCode
  • pi
  • Ejemplos ejecutables
  • Documentación de referencia

Synalinks Skills es una biblioteca de skills en el formato abierto SKILL.md que enseña a los agentes de programación a escribir Synalinks idiomático: guías fáciles de consultar, scripts ejecutables y referencias detalladas que cubren el framework de principio a fin. Sin esas indicaciones, un modelo mezcla sintaxis y produce código de apariencia plausible que no funciona. Con ellas, los agentes de programación escriben Synalinks como lo hace nuestro equipo.

Por qué le interesa: convertir el saber hacer en instrucciones que una máquina sigue es lo que hace SynaLemma con las definiciones de sus equipos.

★ 908 Apache-2.0
Nuestra investigación

Seis temas con un mismo objetivo: que los sistemas de IA sean medibles y defendibles.

Seis líneas de investigación aplicada, del razonamiento neurosimbólico a la evaluación de sistemas de IA.

  • Optimización en contexto

    Mejorar un sistema de IA sin reentrenar un solo peso: sus instrucciones y ejemplos se optimizan frente a una recompensa medible, como se entrenaría un modelo.

    • In-context RL
    • Optimizadores evolutivos
    • Calidad-diversidad
  • Evaluación de sistemas de IA

    Cómo saber que un sistema responde correctamente y que no ha empeorado desde ayer.

    • Métricas
    • Jueces automáticos
    • Pruebas de regresión
  • Razonamiento neurosimbólico

    Acotar un modelo de lenguaje con estructura y lógica: salidas válidas por construcción, un razonamiento que se puede inspeccionar y conclusiones que se remontan a sus premisas en lugar de a una intuición estadística.

    • Salida estructurada
    • Lógica
    • Verificación
  • Grafos de conocimiento

    Convertir documentos en grafos que un sistema pueda utilizar, y después consultar esos grafos: búsqueda local para preguntas precisas, búsqueda global para preguntas que abarcan todo un corpus.

    • Extracción de grafos
    • GraphRAG
    • Búsqueda local y global
  • Agentes y ejecución confinada

    Un agente que escribe y ejecuta código es útil, y también peligroso. Trabajamos en confinarlo: aislamiento del sistema de archivos, llamadas al sistema restringidas, acceso a la red controlado y capacidades concedidas de forma explícita en lugar de por defecto.

    • Sandboxing
    • Confinamiento
    • Herramientas para agentes
  • Programas que evolucionan por sí mismos

    Pipelines en los que el modelo produce sus propios ejemplos, el layer simbólico los verifica y descarta lo que no se sostiene, y solo lo que supera la verificación alimenta el paso siguiente.

    • Autodestilación
    • Datos sintéticos
    • Filtrado simbólico
El producto

SynaLemma está construido sobre estos motores.

Nuestro producto comercial los pone a trabajar sobre los datos de su negocio: respuestas que citan la regla que hay detrás de cada cifra, en sus servidores, con el modelo que usted elija.

Reservar una demo
Comunidad

Desarrollado en abierto, con una comunidad a su alrededor.

Nuestros frameworks están bajo Apache-2.0 y se desarrollan en público. Marque los repositorios con una estrella, abra una issue o únase a la conversación. Para utilizar estos motores sobre sus propios datos, empiece por SynaLemma.