# El hub para máquinas

*Vercy para agentes de IA · lección 3 de 4 · ~10 min*

## Qué aprenderá

La superficie legible por máquina del estándar y de los modelos conformes: qué descargar, contra qué validar y qué citar.

## El principio: cada página humana tiene un gemelo máquina

El estándar está construido pensando primero en la IA: todo lo que una persona puede leer tiene una contrapartida legible por máquina que un agente puede descargar, parsear y verificar. Nada significativo queda encerrado en la prosa.

## La superficie máquina de la propia especificación

En [ver.cy](https://ver.cy) y en el [repositorio](https://github.com/ver-cy/meta-universe):

| Artefacto | Qué hace un agente con él |
|----------|----------------------------|
| `/llms.txt` | El punto de entrada para la IA: qué es esto y dónde vive todo |
| `/spec-index.yaml` | Enumerar los 90 documentos: id, clase, estado, ruta |
| `REQUIREMENTS-INDEX.md` | Direccionar cualquiera de los 1284 requisitos normativos por identificador estable (`ARCH017-R12`); cite estos, no la prosa |
| `/schemas/` (10 JSON Schemas) | Validar modelos MUIF, sobres MUFP, documentos de descubrimiento, informes de validación |
| `/external-models.csv` | 1180 estándares externos con roles composicionales: consulte antes de modelar |
| `AGENTS.md` | Orden de lectura y reglas de juego para este repositorio |
| `tools/` | Implementaciones de referencia: huella, validación, generadores de índices |

Dos hábitos que vale la pena grabar a fuego: resolver la terminología desde `Terminology.md` (nunca inferir significado normativo de prosa informativa) y tratar una **Huella semántica** coincidente como la definición de "el mismo modelo" (los bytes mienten, las huellas no).

## La superficie máquina de un modelo conforme

Todo modelo conforme repite el patrón en miniatura:

- `manifest.yaml`: enumerar y clasificarlo todo (el spec-index del modelo).
- `sources.yaml`: autoridad y frescura de cada conjunto de datos.
- `artifacts/walk-report.md`: la última prueba de cobertura: léala en vez de volver a deducir la confianza.
- Archivos laterales de procedencia en `raw/`: qué se recolectó, de dónde, cuándo.
- Archivos de registro de su propio ecosistema (por ejemplo, el `aismm.registry.json` de AISMM): identidad y completitud.

Un agente que consume estos archivos primero puede responder a "¿qué es este modelo, está completo, qué hay aquí que sea autorizado, con qué frescura está el resto?" sin leer un solo registro: y sabe exactamente qué registros leer a continuación.

## Endpoints en vivo como proyecciones

Los modelos con proyecciones de escritura de vuelta exponen endpoints máquina en la web abierta: el modelo de Orkestron.AI publica `https://orkestron.ai/product-facts.json` (generado, marcado, con hash de contenido) y un `/llms.txt` junto a él. Para un agente, esos endpoints son Proyecciones en el sentido pleno del estándar: consúmalos sabiendo que el maestro es el modelo, verifique con el hash incrustado y nunca los trate como editables.

## Descubrimiento entre universos

A escala de federación el patrón se generaliza: un Universo publica `/.well-known/meta-universe.json`: quién es, qué modelos expone, cómo iniciar una conversación MUFP. Los documentos de descubrimiento tienen un JSON Schema como todo lo demás; un agente valida antes de confiar.

## Ideas clave

- Lado especificación: llms.txt + spec-index + índice de requisitos + esquemas + CSV del registro = todo enumerable, validable y citable.
- Lado modelo: manifiesto + registro + informe de recorrido + procedencia = confianza sin volver a deducirla.
- Las proyecciones públicas y los documentos de descubrimiento son la misma idea en la web abierta: descargar, verificar, nunca editar.

## Profundizar

- [ver.cy/llms.txt](https://ver.cy/llms.txt) · [spec-index.yaml](https://ver.cy/spec-index.yaml)
- [Formato de intercambio MMAS y esquemas](/spec/#02-architecture/MMAS-Interchange.md)
- [Descubrimiento](/spec/#03-federation/Discovery.md)

Siguiente: [Agentes entre universos](04-federation.md)