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/wiki_ingesta.py

@@ -0,0 +1,150 @@
+#!/usr/bin/env python3
+"""Descarga articulos de Wikipedia en espanol sobre los temas de JARVIS y los
+deja como .txt en la carpeta de documentos del RAG. Luego, construir_indice.py
+los vectoriza. Corre en el host (solo stdlib + red), sin sonido ni GPU.
+
+    python3 config/wiki_ingesta.py            # descarga
+    # despues, dentro del flatpak:
+    flatpak run --command=python3 io.github.qwersyk.Newelle//master \
+        ~/COFRE/CODERS/JARVIS/config/construir_indice.py
+
+Es aditivo: agrega ficheros a la carpeta, no borra lo que ya haya.
+"""
+import os, json, time, urllib.parse, urllib.request, urllib.error
+
+API = "https://es.wikipedia.org/w/api.php"
+UA = "JARVIS-local-RAG/1.0 (asistente de voz local; contacto: local)"
+DOCS = os.path.expanduser(
+    "~/.var/app/io.github.qwersyk.Newelle/config/models/documents")
+
+# Por tema: semillas seguras + una busqueda que amplia con articulos afines.
+TEMAS = {
+    "tecnologia": {
+        "buscar": ["tecnología", "informática", "hardware", "red informática",
+                   "inteligencia artificial", "sistema operativo"],
+        "semillas": ["Tecnología", "Informática", "Internet", "Protocolo de red",
+                     "Microprocesador", "Computación en la nube", "Base de datos"],
+    },
+    "criptografia": {
+        "buscar": ["criptografía", "cifrado", "criptografía asimétrica"],
+        "semillas": ["Criptografía", "Cifrado", "RSA", "Advanced Encryption Standard",
+                     "Función hash criptográfica", "Firma digital",
+                     "Diffie-Hellman", "Pretty Good Privacy", "Transport Layer Security",
+                     "Criptografía de curva elíptica", "Cadena de bloques",
+                     "Bitcoin", "Criptomoneda"],
+    },
+    "software_libre": {
+        "buscar": ["software libre", "código abierto", "historia de Linux"],
+        "semillas": ["Software libre", "GNU", "Richard Stallman", "GNU/Linux",
+                     "Linus Torvalds", "Free Software Foundation", "Licencia pública general de GNU",
+                     "Código abierto", "Debian", "Unix", "Kernel Linux",
+                     "Movimiento del software libre"],
+    },
+    "hacking": {
+        "buscar": ["seguridad informática", "hacker", "ciberseguridad"],
+        "semillas": ["Hacker", "Seguridad informática", "Hacker (seguridad informática)",
+                     "Malware", "Exploit", "Ingeniería social (seguridad informática)",
+                     "Phreaking", "Kevin Mitnick", "Anonymous (colectivo)",
+                     "Prueba de penetración", "Vulnerabilidad (informática)",
+                     "Cortafuegos (informática)", "Ataque de denegación de servicio"],
+    },
+    "clima": {
+        "buscar": ["cambio climático", "calentamiento global", "clima"],
+        "semillas": ["Cambio climático", "Calentamiento global", "Efecto invernadero",
+                     "Gas de efecto invernadero", "Protocolo de Kioto",
+                     "Acuerdo de París", "IPCC", "Clima", "Dióxido de carbono",
+                     "El Niño", "Nivel del mar", "Energía renovable"],
+    },
+    "conflictos_espana": {
+        "buscar": ["guerra en España", "conflicto España historia"],
+        "semillas": ["Guerra civil española", "Transición española",
+                     "Guerra de la Independencia Española", "Guerras carlistas",
+                     "Reconquista", "Dictadura de Francisco Franco",
+                     "Segunda República Española", "Movimiento 15-M",
+                     "Conflicto vasco", "Guerra de Sucesión Española"],
+    },
+}
+
+BUSCAR_POR_CONSULTA = 15   # articulos extra por cada busqueda
+PAUSA = 0.8                # cortesia con la API (subida tras el 429)
+
+
+def _get(params, reintentos=5):
+    params = {**params, "format": "json"}
+    url = API + "?" + urllib.parse.urlencode(params)
+    req = urllib.request.Request(url, headers={"User-Agent": UA})
+    espera = 2.0
+    for intento in range(reintentos):
+        try:
+            with urllib.request.urlopen(req, timeout=30) as r:
+                return json.load(r)
+        except urllib.error.HTTPError as e:
+            if e.code == 429 and intento < reintentos - 1:
+                # Wikipedia nos frena: esperar cada vez mas (backoff)
+                time.sleep(espera)
+                espera *= 2
+                continue
+            raise
+    raise RuntimeError("agotados los reintentos")
+
+
+def titulos_de_busqueda(consulta, limite):
+    try:
+        d = _get({"action": "query", "list": "search",
+                  "srsearch": consulta, "srlimit": limite})
+        return [h["title"] for h in d.get("query", {}).get("search", [])]
+    except Exception as e:
+        print(f"  busqueda '{consulta}' fallo: {e}")
+        return []
+
+
+def extracto(titulo):
+    try:
+        d = _get({"action": "query", "prop": "extracts", "explaintext": 1,
+                  "redirects": 1, "titles": titulo})
+        paginas = d.get("query", {}).get("pages", {})
+        for _, pg in paginas.items():
+            txt = pg.get("extract", "")
+            if txt and len(txt) > 300:
+                return pg.get("title", titulo), txt
+    except Exception as e:
+        print(f"  extracto '{titulo}' fallo: {e}")
+    return None, None
+
+
+def slug(s):
+    s = "".join(c if c.isalnum() else "_" for c in s.lower())
+    return s.strip("_")[:80]
+
+
+def main():
+    os.makedirs(DOCS, exist_ok=True)
+    total = 0
+    for tema, cfg in TEMAS.items():
+        print(f"\n=== {tema} ===")
+        titulos = list(cfg["semillas"])
+        for consulta in cfg["buscar"]:
+            titulos += titulos_de_busqueda(consulta, BUSCAR_POR_CONSULTA)
+            time.sleep(PAUSA)
+        # dedup conservando orden
+        vistos, unicos = set(), []
+        for t in titulos:
+            if t.lower() not in vistos:
+                vistos.add(t.lower()); unicos.append(t)
+        for t in unicos:
+            dst = os.path.join(DOCS, f"wiki_{tema}_{slug(t)}.txt")
+            if os.path.exists(dst):
+                continue
+            titulo_real, txt = extracto(t)
+            time.sleep(PAUSA)
+            if not txt:
+                continue
+            with open(dst, "w", encoding="utf-8") as f:
+                f.write(f"# {titulo_real}\n(Wikipedia, tema: {tema})\n\n{txt}\n")
+            total += 1
+            print(f"  [{total}] {titulo_real}  ({len(txt)//1024} KB)")
+    print(f"\nlisto: {total} articulos nuevos en {DOCS}")
+
+
+if __name__ == "__main__":
+    main()