Documentos
TXT, Markdown, código, PDF con texto, Word y HTML local. OCR está planificado y claramente separado.
Lectura multimodalAa ↗ { }
Una entrada común para conocimiento disperso.
Cada conector extrae contenido y metadata sin mezclar adquisición con limpieza. El sistema conserva hashes y origen para poder explicar de dónde salió cada fragmento.
Web y Git
Extracción web focalizada y clonación Git shallow con errores aislados por fuente.
Datos estructurados
JSON, JSONL y CSV preservan filas, objetos y metadata para transformaciones posteriores.
Pipeline verificable
Del original al dataset, sin caja negra.
El manifest registra entradas, parámetros, errores, rechazos, duplicados y artefactos. La calidad automática ayuda; no reemplaza la revisión humana.
01Adquirir
02Normalizar
03Limpiar
04Deduplicar
05Segmentar
06Validar
07Exportar
Primera releaseLOCALHOST + WINDOWS ANDROID · OFFLINE CLI · AUTOMATION
Pequeña en superficie. Seria por dentro.
Una interfaz, el mismo motor
Arrastra archivos, añade rutas o URL, configura el chunking y descarga JSONL, TXT, Parquet, SQLite y manifest.
$ foundry serve
→ http://127.0.0.1:8765
$ foundry build --config examples/config.yaml
→ http://127.0.0.1:8765
$ foundry build --config examples/config.yaml
Companion mínima
Lee texto, Markdown, JSON y CSV en el dispositivo, calcula hashes y exporta JSONL. Sin permiso Internet.
Recetas reproducibles
YAML validado, comandos de build/stats/validate y artefactos compatibles con pipelines de datos.
Contratos distintos
Preparar datos no significa entrenar un modelo.
La foundry produce una base neutral. Cada uso necesita transformaciones, separación y evaluación propias.
PretrainingTokenización, packing, mezcla, deduplicación global y control de contaminación.
Fine-tuningEjemplos supervisados, formato conversacional, rúbricas y splits por fuente.
RAGEmbeddings, índice, filtros, retrieval y evaluación de respuestas fundamentadas.
EvaluaciónHoldout independiente, referencias, criterios y casos adversariales versionados.