JARVIS: asistente de voz local para Linux

Nucleo propio: oye con whisper.cpp, piensa con un modelo de Ollama, habla
con Piper, y hace RAG sobre los apuntes del usuario. 100% local, sin
cuentas ni claves.

Escrito bajo una restriccion dura, 4 GB de VRAM: el cerebro y whisper
comparten tarjeta y solo caben porque estan dimensionados para ello. El
RAG usa embeddings estaticos con busqueda hibrida; la voz clonada se sirve
de una cache de frases.

Incluye instalador (install.sh), requisitos, y documentacion del stack,
del manejo de root y de las acciones. Los apuntes indexados y el diario NO
se incluyen: son privados y el .gitignore los bloquea.

config/probar_rag.py

@@ -0,0 +1,79 @@
+#!/usr/bin/env python3
+"""Comprueba que el RAG recupera de tus notas, con preguntas de prueba.
+
+    flatpak run --command=python3 io.github.qwersyk.Newelle//master \
+        ~/COFRE/CODERS/JARVIS/config/probar_rag.py
+
+Lanza unas cuantas consultas contra el indice ya construido y enseña de que
+ficheros saca la respuesta. Sirve para ver si el corpus responde bien antes de
+fiarse de el, y para decidir si merece ampliarlo con los .txt o dejarlo en solo
+notas.
+"""
+import os
+import sys
+import time
+
+sys.path.insert(0, "/app/share/newelle")
+sys.path.insert(0, os.path.expanduser(
+    "~/.var/app/io.github.qwersyk.Newelle/config/pip"))
+
+from gi.repository import Gio  # noqa: E402
+
+from newelle.handlers.rag.llamaindex_handler import LlamaIndexHanlder  # noqa: E402
+from newelle.handlers.embeddings.model2vec import Model2VecHandler  # noqa: E402
+
+MODELOS = os.path.expanduser("~/.var/app/io.github.qwersyk.Newelle/config/models")
+
+# Preguntas de dominio: si el corpus sirve, deberian traer notas relevantes.
+PREGUNTAS = [
+    "como enumerar un host con nmap",
+    "escalada de privilegios en linux",
+    "que es oasis y como funciona el pub",
+    "reverse shell",
+]
+
+
+def main():
+    settings = Gio.Settings.new("io.github.qwersyk.Newelle")
+    rag = LlamaIndexHanlder(settings, MODELOS)
+    if not rag.is_installed():
+        print("faltan dependencias del RAG")
+        return 1
+
+    rag.embedding = Model2VecHandler(settings, MODELOS)
+
+    class SinModelo:
+        def load_model(self, *a, **k):
+            return True
+    rag.llm = SinModelo()
+    rag.secondary_llm = SinModelo()
+
+    print("cargando el indice...", flush=True)
+    try:
+        rag.load_index()
+    except Exception as e:
+        print(f"no se pudo cargar el indice: {e}")
+        return 1
+
+    for pregunta in PREGUNTAS:
+        print(f"\n### {pregunta}")
+        ini = time.time()
+        try:
+            trozos = rag.get_context(pregunta, [])
+        except Exception as e:
+            print(f"  fallo: {e}")
+            continue
+        ms = (time.time() - ini) * 1000
+        if not trozos:
+            print(f"  sin resultados ({ms:.0f} ms)")
+            continue
+        print(f"  {len(trozos)} trozos en {ms:.0f} ms:")
+        for t in trozos[:1]:
+            # el trozo suele traer la ruta o el nombre del fichero delante
+            resumen = " ".join(str(t).split())[:400]
+            print(f"    · {resumen}")
+    return 0
+
+
+if __name__ == "__main__":
+    sys.exit(main())