Producto
Recuerdo visual y la excepción que discutimos
Imágenes locales opcionales con conservación finita, controles de borrado y límites explícitos.
17 de agosto de 2026
Tema
Notas de producto de ShogunAI
Cómo funciona el producto: la capa de ejecución, la memoria de reuniones, el recuerdo visual y las reglas de cada uno.
Qué publicamos y cómo lo verificamos
ShogunAI Editorial trata la memoria privada de IA, el contexto de trabajo, la arquitectura local-first y la capa de ejecución que convierte una respuesta en trabajo terminado. Escribimos para quienes evalúan cómo debe recordar, recuperar información y actuar un asistente dentro de herramientas reales.
Contrastamos las afirmaciones de producto con la implementación actual. Las cifras y citas incluyen fuentes identificables, y las opiniones de inversores o directivos se presentan como opiniones, no como hechos demostrados.
- Definiciones claras antes de las afirmaciones
- Fuentes identificadas para cifras y citas
- Límites, privacidad y fechas de actualización visibles
Producto1 min de lectura
Notas de reunión sin grabación
Notas de reunión en todos los planes, con transcripción en directo mediante tu propia clave de Deepgram y consumo del proveedor por separado.
17 de agosto de 2026Leer más →
Producto1 min de lectura
Trae tu plan, no solo tus claves
Pro ya no exige una clave de API: el trabajo del agente puede ejecutarse dentro de la suscripción de asistente que ya pagas.
17 de agosto de 2026Leer más →
Producto1 min de lectura
Cómo buscar en Slack, Gmail y Notion
Un flujo para reconstruir decisiones y contexto repartidos entre tus herramientas.
12 de agosto de 2026Leer más →
Producto1 min de lectura
La capa de ejecución
Cómo la memoria se convierte en trabajo terminado con aprobación humana.
18 de julio de 2026Leer más →
Investigación para entender el contexto
Estos estudios independientes aportan contexto; no demuestran el rendimiento de ShogunAI ni implican respaldo. Consulta las guías de producto para conocer funciones y límites.
- Lost in the Middle: How Language Models Use Long Contexts
- Nelson F. Liu et al. · 2023
- En las tareas estudiadas, la posición de la información dentro de una entrada larga afectó al rendimiento. Una ventana de contexto mayor no garantizó una recuperación fiable.
- Generative Agents: Interactive Simulacra of Human Behavior
- Joon Sung Park et al. · 2023
- Esta investigación en simulación combina experiencias guardadas, reflexión y recuperación para planificar el comportamiento de agentes. Explica arquitecturas de memoria; no compara asistentes de trabajo.
