Intensivo Gratis 21–22.11Intensivo gratuito de 2 días en Vibecoding (21–22 nov, 16:00 MSK) · Cohorte 3 inicia 23.11Registrarse gratis →Cohorte 3 (23.11)
LanzamientoAnálisis · En radarHabr AI→ original

Tras el bloqueo de Claude, un desarrollador salvó un año de conversaciones: 146 MB convertidos en una base SQLite

Anthropic bloqueó la cuenta de Claude del autor, que atribuye la medida al uso de una VPN, y la suscripción de $100 se perdió. Sin embargo, le permitieron exportar el archivo de conversaciones, de 146 MB, lo que equivale a unos 46 millones de caracteres: eso no cabe en el contexto de un chat. Por eso dividió el archivo en unos 12 mil fragmentos y los guardó en SQLite, una base de datos ligera en un solo archivo. El agente recupera de ahí los pocos fragmentos relevantes, y eso es RAG. Para un archivo personal de ese tamaño no hace falta una base de datos vectorial separada.

Procesado por IA desde Habr AI; editado por Hamidun News
Tras el bloqueo de Claude, un desarrollador salvó un año de conversaciones: 146 MB convertidos en una base SQLite
Fuente: Habr AI. Collage: Hamidun News.
Escuchar artículo
Ficha técnica y cifras clave
ParámetroDatos
Fuente originalHabr AI ↗
Editor jefe
La búsqueda es híbridapor palabras (FTS5, BM25) y por significado, con fusión RRF y K = 10
Dato clave #2El Markdown en Obsidian es el original; el índice SQLite se puede reconstruir
Dato clave #3El agente accede a la base mediante un servidor MCP, y las reglas están definidas en AGENTS.md

Imagine que durante más de un año trabaja varias horas al día con un asistente de IA, discute proyectos, toma decisiones y anota por qué eligió una opción y no otra. Y de pronto le bloquean la cuenta. Eso es lo que le ocurrió al autor de una nota en Habr: Anthropic cerró su acceso a Claude, según su versión por el país y por conectarse mediante VPN.

La suscripción de $100 se perdió, pero le preocupaba más la pérdida del historial. Por suerte, sí le permitieron exportar el archivo de conversaciones, de 146 MB (unos 46 millones de caracteres de texto). Después creó un RAG: así se llama el esquema en el que la IA no lee todo, sino que busca en su base unos cuantos fragmentos adecuados para la pregunta y responde apoyándose en ellos.

La base se guarda en SQLite, una base de datos ligera en un solo archivo, y contiene unos 12 mil fragmentos.

Por qué no se puede simplemente adjuntar el archivo al chat

La exportación incluía las conversaciones de Claude.ai, las sesiones locales de Claude Code, la memoria, los proyectos y los artefactos. Un solo archivo, conversations.json, pesaba unos 146 MB, y además el cirílico estaba escrito con secuencias de escape como \u041f. Ese volumen no se puede cargar en un chat nuevo: el contexto no es elástico. Y aunque se pudiera, no resolvería el problema. El autor necesita preguntar por un proyecto o una decisión concreta y obtener unos cuantos fragmentos relevantes, no arrastrar un año de diálogos.

Tampoco quiso procesar el archivo con subagentes: el agente principal a veces olvida a sus trabajadores, cada uno escribe a su manera y conciliar los resultados consume aún más tokens. En su lugar escribió scripts deterministas normales. Estos transfieren las conversaciones, la memoria y los artefactos, y construyen un INDEX.md. Los nombres de los proyectos se unifican con una tabla de alias, porque un mismo proyecto podía aparecer con nombres distintos en los chats. El script lee el origen una sola vez, así que el modelo no gasta tokens en millones de caracteres. Tras la primera transferencia, el autor corrigió la estructura a mano, y los scripts no sobrescriben nada.

Markdown como original, SQLite como índice

La base vive en Obsidian en forma de archivos normales: Memory (perfil y preferencias), Projects, Topics y Artifacts. La regla es sencilla: el Markdown es la fuente de verdad, y SQLite es un índice que se puede borrar y reconstruir. Si el autor corrige un archivo en Obsidian, se considera válida precisamente esa corrección.

No desplegó una base de datos vectorial aparte. Para 12 mil fragmentos (así se llaman los trozos de texto en que se dividen los documentos para la búsqueda) basta con SQLite. En ella se guardan los archivos, los fragmentos, el índice de texto completo FTS5 y los embeddings —las «huellas de significado» numéricas— en forma de arrays binarios float32. La similitud la calcula numpy mediante una comparación exhaustiva. Si los datos crecen en órdenes de magnitud o las mediciones revelan un problema, la arquitectura se puede cambiar.

La división se hace por encabezados y párrafos, para no cortar una idea por la mitad. El tamaño objetivo de cada fragmento es de unos 600 tokens, con un máximo de 1000, y un nuevo encabezado no cierra el fragmento mientras este tenga menos de 200 tokens. Cada fragmento conserva su encabezado y su rango de líneas, de modo que la búsqueda devuelve una dirección como «archivo.md, líneas 42–77».

El contenido se divide en dos niveles. En el primero están la memoria, las notas y los archivos de resumen (unos 468 fragmentos); en el segundo, el historial de conversaciones (más de 11 mil fragmentos). El primer nivel tiene un multiplicador en el ranking para que las conversaciones antiguas no desplacen al perfil ni a CONTEXT.md.

La búsqueda es híbrida: por palabras (FTS5 y BM25) y por significado (text-embedding-3-small, dimensión 1536). Las dos listas se combinan con el método Reciprocal Rank Fusion: un fragmento que ocupa una posición alta en ambas sube aún más. El autor eligió K = 10 porque con un valor mayor la diferencia entre las posiciones altas y medias resultaba demasiado plana.

MCP y lecciones de explotación

El acceso a la base se organiza mediante un servidor MCP por stdio con JSON-RPC 2.0. El modelo dispone de herramientas para buscar, leer un rango de líneas, cargar el contexto de un proyecto, escribir, añadir contenido, guardar una nota sobre una decisión, comprobar el estado, listar proyectos y reindexar. La lectura devuelve un hash del archivo, y una escritura con ese hash genera un conflicto si el archivo ya se modificó.

La primera prueba reveló un punto débil. Ante la pregunta «¿cómo me llamo?», el agente respondió sin consultar la base: adivinó el nombre a partir de indicios indirectos del sistema. Ayudaron una regla de inicio de sesión en el AGENTS.md global y una habilidad específica, knowledge-first, que se carga según un disparador. Conectar la herramienta no basta: hay que lograr que el modelo la use.

El índice se sincroniza con el disco como máximo una vez cada 10 segundos, y recorrer varios cientos de archivos tarda unos 0,03 segundos. Si la API de embeddings no está disponible, una nota reciente se encuentra por palabras, y el vector se calcula más tarde.

Otra lección fue de diagnóstico. Las peticiones al proveedor de embeddings se quedaban colgadas, mientras que curl mostraba respuestas truncadas. Resultó que, en macOS, curl iba directamente, pero Python utilizaba el proxy del sistema. Desde el runtime de Python, seis fragmentos obtuvieron sus embeddings en cuatro segundos. Hay que comprobar la ruta de red que realmente usa la aplicación.

Qué se deduce de todo esto

Se trata de un proyecto personal sobre un único corpus, no de una receta universal: con volúmenes grandes habrá que reconsiderar la elección de SQLite. La conclusión práctica para los desarrolladores es esta: exporten con regularidad sus datos de los servicios de IA y guarden el conocimiento en archivos normales. Para un RAG pequeño, a menudo basta con SQLite, búsqueda híbrida y un par de reglas claras para el agente.

Historia

Preguntas frecuentes sobre la noticia

¿Qué se sabe sobre Por qué no se puede simplemente adjuntar el archivo al chat?

La exportación incluía las conversaciones de Claude.ai, las sesiones locales de Claude Code, la memoria, los proyectos y los artefactos. Un solo archivo, conversations.json, pesaba unos 146 MB, y además el cirílico estaba escrito con secuencias de escape como \u041f. Ese volumen no se puede cargar en un chat nuevo: el contexto no es elástico. Y aunque se pudiera, no resolvería el problema.

¿Qué se sabe sobre Markdown como original, SQLite como índice?

La base vive en Obsidian en forma de archivos normales: Memory (perfil y preferencias), Projects, Topics y Artifacts. La regla es sencilla: el Markdown es la fuente de verdad, y SQLite es un índice que se puede borrar y reconstruir. Si el autor corrige un archivo en Obsidian, se considera válida precisamente esa corrección. No desplegó una base de datos vectorial aparte. Para 12 mil fragmentos (así se llaman los trozos de texto en que se dividen los documentos para la búsqueda) basta con SQLite.

¿Qué se sabe sobre MCP y lecciones de explotación?

El acceso a la base se organiza mediante un servidor MCP por stdio con JSON-RPC 2.0. El modelo dispone de herramientas para buscar, leer un rango de líneas, cargar el contexto de un proyecto, escribir, añadir contenido, guardar una nota sobre una decisión, comprobar el estado, listar proyectos y reindexar. La lectura devuelve un hash del archivo, y una escritura con ese hash genera un conflicto si el archivo ya se modificó. La primera prueba reveló un punto débil.

ZK
Zhemal Khamidun — CPO de Alpina Digital, product manager de AlpinaGPT. Crea productos de IA desde 2019. Hamidun News es un proyecto personal que creció hasta ser un agregador en producción con más de 6.000 lectores.
✦ Hands-On AI Engineering · Hamidun Academy

Build & Ship Production AI Agents Without Boilerplate Code

Start your free 72-hour trial at Hamidun Academy (academy.hamidun.com) — interactive lessons on Claude Code & Cursor, live Tech Radar, and production agent templates.

Start 72h Free Trial →Vibe-Coding Intensive
¿Qué te parece?
Cargando comentarios…