Por qué descarté OpenViking
Mi second brain en OKF ya hace lo que promete OpenViking. Sumarlo cuesta más de lo que ahorra.
El sistema
- Un repo git de Markdown con frontmatter YAML, en formato OKF (Open Knowledge Format).
- Una organización de agentes de IA, en un orquestador, toma tareas del repo y le devuelve lo que aprende.
- Solo un agente escribe en el repo, y yo reviso cada cambio en git.
1 Ya hace lo mismo
OpenViking da a cada nodo tres niveles, para que el agente decida qué abrir antes de leerlo. Mi repo ya los tiene:
| Nivel | OpenViking | Mi second brain |
|---|---|---|
| L0 | Abstract generado por un LLM | La línea del concepto en el índice de su carpeta |
| L1 | Overview generado por un LLM | El resumen de estado, de 2 KB como máximo |
| L2 | Contenido completo | El archivo |
| Frío | — | Un archivo histórico, fuera del camino de lectura |
El L1 ya es chico, así que resumirlo otra vez no aporta mucho. Mis resúmenes los escribo y los firmo yo. Dejar OKF sería migrar más de 600 conceptos para quedar igual.
2 Duplica la información
Cada concepto quedaría tres veces: el archivo, su copia indexada con resúmenes propios que hay que regenerar en cada commit, y las memorias que OpenViking extrae por su cuenta. Cuando no cuadren, el agente no sabrá cuál vale.
3 Rompe la separación de responsabilidades
Su plugin para Claude Code captura cada sesión, y un LLM guarda «memorias» fuera de git y sin revisión. Además, cada agente se identifica por el repo en que corre, y la búsqueda recorre todos los proyectos: los agentes del mismo repo terminarían compartiendo memoria.
4 No ataca el costo, y lo sube
Medí 566 corridas de los agentes. Esto es lo que devuelven las herramientas:
| Origen | Parte |
|---|---|
| Respuestas de la API del orquestador | 28% |
| Lecturas fuera del second brain (código, documentos) | 22% |
| Leer el second brain: lo único que ataca OpenViking | ~11% |
| Releer el protocolo común de los agentes | 8% |
Lo que más cuesta es el contexto fijo de cada corrida nueva: entre 46K y 77K tokens, el 44% de la escritura de caché. El plugin lo agranda, porque al abrir cada sesión agrega el perfil, el índice de memorias y el catálogo de skills, y suma memorias a cada prompt.
5 Datos, skills y madurez
- Las sesiones llevan datos de clientes y salen al proveedor de embeddings y visión: Volcengine (ByteDance) u OpenAI por defecto. Con un modelo local no salen, pero la calidad baja.
- Los skills quedarían repartidos en cuatro lugares, cuando Claude Code ya los carga por partes.
- Va en la versión 0.3, con unas 400 issues abiertas.
En balance: poca ventaja frente a lo que cuesta
Gano
- Una parte del ~11% que hoy se va en leer el second brain
Pago
- Un servidor más
- Modelos de embeddings y de visión
- Información duplicada
- Más contexto fijo en cada corrida
- Datos que salen a un tercero
Lo probaría solo como índice semántico de solo lectura, sin plugin ni memorias automáticas, y solo si leer el repo llega a pesar bastante más que hoy.