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.
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: Requiresdescription: An assembly requires a component, directly or inside a sub-assembly, at any level of the bill of materials.---importconcepts.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.
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.
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.
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.
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.