Mnemo — QA Continuity AI

Mnemo es una plataforma privada y on-premise de continuidad operativa de QA: convierte el conocimiento disperso de un proyecto (reglas, flujos, bugs, tests, CI) en planes de prueba, automatización y memoria accionable. Pensada para consultoras de QA multi-cliente donde el conocimiento se evapora con la rotación de personal.

LLM y embeddings 100% locales (Ollama + HuggingFace). El dato del cliente nunca sale. Coste de API = 0 €.

Cinco capacidades (todas en producción)

Capacidad	Módulo	Página
Memoria del proyecto — captura conocimiento de QA (reglas, flujos, riesgos, lecciones) + búsqueda semántica unificada con el Defect DNA (search_unified)	src/knowledge/ · tabla qa_knowledge	/app/knowledge
Test Plan Agent — HU (URL Jira / PDF-Word / texto) → plan de pruebas manual o Gherkin citando la memoria, exportar Markdown o importar a Jira-Xray	src/testplan/ · src/xray/	/app/test-plan
Onboarding Agent — "modo persona nueva": ¿qué sabe el proyecto sobre X? + ruta de aprendizaje + chat	src/onboarding/	/app/onboarding
Automation Agent — caso del plan → código Playwright .spec.ts → draft PR (GitHub App, nunca auto-merge)	src/automation/ · src/ci/github_app.py	botón en /app/test-plan
Knowledge Graph + Coverage Gap — grafo de relaciones derivado + detector de huecos de cobertura	src/graph/	/app/graph

El Autopilot (ingesta CI → triaje → certificado → self-heal) actúa como fuente que alimenta la memoria; no es el centro del producto.

Stack

Python 3.13 · FastAPI · Postgres + pgvector (Supabase) · Supabase JWT · Ollama (qwen3:8b) · HuggingFace embeddings · reporter de Playwright (TypeScript, packages/) · Next.js + TanStack Query + shadcn/ui · pytest/vitest.

Documentación

Doc	Contenido
docs/functional/overview.md	Identidad, capacidades, casos de uso, personas
docs/vision/qa-continuity-ai.md	Visión, principios, arquitectura conceptual, roadmap
docs/technical/arquitectura.md	Arquitectura, capas, componentes, flujo de datos
docs/technical/modelo-datos.md	Esquema y aislamiento multi-tenant (RLS)
docs/technical/api.md	Referencia completa de endpoints /v2
docs/AUDITORIA_CONCURSO_MTP.md	Auditoría y encaje con el concurso MTP AI Innovation Award

Puesta en marcha

1. Modelo local: ollama pull qwen3:8b.
2. Dependencias: pip install -r requirements.txt.
3. BD (Supabase): configurar DATABASE_URL (Session pooler) + SUPABASE_URL/SUPABASE_JWKS_URL en .env; aplicar todas las migraciones en orden (db/migrations/001_*.sql … 019_*.sql).
4. Backend: uvicorn asgi:app.
5. Frontend: cd frontend && npm install && npm run build (proxy /api/v2/* → NEXT_PUBLIC_API_BASE_URL).
6. Datos de demo (opcional): python3 scripts/docker_init.py.

Referencia completa de endpoints en docs/technical/api.md.

Despliegue

• Frontend (Next.js) → Vercel. Root Directory = frontend; Node 22.x (ver frontend/.nvmrc). Variables: NEXT_PUBLIC_API_BASE_URL, NEXT_PUBLIC_SUPABASE_URL, NEXT_PUBLIC_SUPABASE_ANON_KEY.
• Backend (FastAPI + LLM + BD) → on-premise. Necesita Ollama, embeddings locales y Postgres; no va en Vercel.

Tests

python3 -m pytest -m "not integration"   # unitarios (sin BD/LLM)
python3 -m pytest -m integration         # integración (requiere DATABASE_URL)
cd frontend && npm test                  # vitest