Trails - Descubriendo conexiones entre 100 libros con Claude Code

 (trails.pieterma.es)
4 puntos por GN⁺ 2026-01-11 | 1 comentarios | Compartir por WhatsApp
  • Proyecto web que usa Claude Code para explorar automáticamente relaciones temáticas entre 100 libros
  • Analiza los conceptos de cada libro y los visualiza como más de 40 conexiones temáticas (trails), como ‘Useful Lies’, ‘Invisible Crack’ y ‘Name Game’
  • Cada trail conecta de forma transversal conceptos de campos como psicología, tecnología, organizaciones, creatividad y pensamiento sistémico
  • Los usuarios pueden hacer clic en cada trail para explorar libros relacionados y conceptos clave (p. ej., Self-deception, Innovation, Tacit knowledge)
  • Propone una nueva forma de lectura e investigación en la que la IA explora de manera estructural las relaciones entre conocimientos

Descripción general del proyecto

  • Trails es un sistema que usa Claude Code para analizar el contenido de varios libros y extraer automáticamente temas comunes o conexiones conceptuales
    • El sitio web está disponible en trails.pieterma.es
    • El funcionamiento del proyecto puede consultarse en una página explicativa separada (explainer)
  • El resultado visualiza las relaciones temáticas entre libros en forma de “trail”
    • Cada trail conecta ideas de varios libros alrededor de un concepto específico

Ejemplos de trails principales

  • Useful Lies: trata sobre el comportamiento humano que usa el autoengaño como estrategia
    • Conceptos relacionados: Self-deception, Evolutionary psychology, Blue lies
  • Invisible Crack: fenómeno en el que pequeños defectos se acumulan hasta provocar un fallo catastrófico
    • Conceptos relacionados: Brittle fracture, Metal fatigue, Gradual change
  • Ideas Mate: una propiedad intelectual débil acelera la innovación mediante la copia colaborativa
    • Conceptos relacionados: Innovation spillover, Japanese copying, Open source
  • Desperate Pivots: casos en los que la urgencia condujo a giros innovadores
    • Conceptos relacionados: Odeo reinvention, Startup pivot, Hindsight bias
  • Expert Intuition: la experiencia opera como conocimiento intuitivo más allá del pensamiento consciente
    • Conceptos relacionados: Tacit knowledge, Mētis knowledge, Intuition

Diversidad de conexiones de conocimiento

  • Los trails abarcan áreas muy amplias como tecnología, organización, psicología, economía y creatividad
    • Ej.: Proxy Trap (la trampa de optimizar métricas), Legibility Tax (el costo de la estandarización), Joy Dividend (la productividad del disfrute)
  • Cada trail está compuesto por 3 o 4 palabras clave centrales, lo que permite explorar intuitivamente las relaciones entre conceptos
  • Mediante una exploración visual y temática, el lector conecta las ideas de los libros en nuevos contextos

Características técnicas

  • Claude Code analiza el contenido de cada libro y genera conexiones basadas en similitud semántica
  • Los resultados se ofrecen mediante una interfaz basada en enlaces, para que el usuario pueda explorar por tema
  • Cada página de trail está compuesta por una breve frase de resumen y etiquetas de conceptos relacionados

Significado

  • Un intento experimental en el que la IA explora automáticamente las relaciones estructurales del conocimiento
  • Una herramienta para que lectores e investigadores conecten ideas de distintos campos y amplíen su forma de pensar
  • Presenta una nueva forma de experiencia de lectura integradora mediante la combinación de datos basados en libros y análisis con IA

Lecturas relacionadas

1 comentarios

 
GN⁺ 2026-01-11
Comentarios en Hacker News

  • La obra en sí es hermosa, pero la salida de datos real parece casi inútil
    Da la impresión de que se le delegó demasiado pensamiento crítico a un modelo estadístico
    Yo también he probado varios LLM avanzados durante mucho tiempo, pero encontrar ‘conexiones invisibles’ entre textos sigue siendo imposible. La intuición humana todavía hace falta

    • En vez de conectar solo con una palabra, como “Us/Them” o “fictions”, sería más útil si se conectara a nivel de conceptos
    • Me gustaría verlo con más detalle. El trail de collective-brain es excelente
    • He armado muchos textos con RAG y extraído palabras clave, lugares, fechas, etc., pero sin un reranker, el LLM no logró dar buenos resultados. Cuando haces una consulta vectorial siempre sale algo, pero casi siempre viene mezclado con fragmentos irrelevantes

  • Está realmente muy bien hecho. Visualmente también muestra un nivel de acabado impresionante

  • Es un gran intento, pero igual que otros, yo tampoco veo bien las conexiones sustanciales entre textos
    Por ejemplo, el vínculo entre Jobs y The Elephant in the Brain no lo captó el LLM, pero una persona lo reconoce fácil: ambos se parecen en que el autoengaño funciona estratégicamente

  • Me confundió que la frase “Thanos committing fraud” estuviera en la sección de “useful lies”
    Con el fundador en la cárcel, es raro considerar esa mentira como ‘útil’. Parece una clasificación descuidada hecha por la IA

    • Tal vez quería decir que “fue una mentira útil hasta que lo atraparon”
    • Por cierto, creo que no se refiere a Thanos sino a Theranos

  • Yo también hice un experimento con Claude Code para ‘leer’ proyectos de GitHub que no conocía bien
    Siguiendo proyectos en tendencia en ruso encontré GoodbyeDPI, y terminé metiéndome en el mundo del deep packet inspection

  • No se entienden las líneas que unen los dos textos. La mayoría parecen líneas de conexión sin sentido
    En la sección “Father wound”, “abandoned at birth” está conectado con “did not”, y se siente como un simple adorno visual

    • A mí también me dio esa impresión
    • Se ve bonito, pero al final es un resultado conectado arbitrariamente por el LLM

  • Yo también hice un proyecto parecido
    Extraje texto de PDFs con pdfplumber, lo metí en PostgreSQL, luego hice chunking en bloques de 100 caracteres y generé embeddings de 384 dimensiones con sentence_transformers
    Después apliqué reducción de dimensionalidad y clustering con UMAP + HDBScan, y lo visualicé con Plotly; se veían claramente clústeres por tema
    Configuré el entorno con Docker Compose y lo pasé a una web UI basada en Flask. Después de ordenar el código, planeo publicarlo como open source

    • Me gustaría mucho ver el enfoque y el repositorio
    • Se parece a un enfoque similar a Bertopic. Es una gran librería

  • Hace tiempo leí un libro sobre “humanidades digitales”, y el concepto de “distant reading” me impresionó
    Es una forma de analizar con computadora cientos o miles de textos para obtener insights macro
    Un amigo implementó este tipo de análisis directamente en Python para un paper, y fue realmente interesante
    Ahora, gracias a los LLM, este enfoque se ha vuelto más fácil, y se puede intentar incluso sin saber programar
    El concepto relacionado puede verse en la wiki de Distant reading

    • Los LLM son bastante útiles para encontrar material incluso con descripciones ambiguas como esta ;)

  • La idea es buena, pero la conexión entre los temas y las narrativas de cada libro es débil
    En algunos casos parece que infirieron el tema general viendo solo un párrafo
    Si se repitiera el prompt varias veces o se añadiera un proceso de extracción en varias etapas, creo que podría quedar más refinado

  • Como en la cita de Deleuze, un libro puede verse como una ‘máquina que funciona’ o como una ‘caja de significado’

    • No sé de dónde sale la cita, pero me parece una visión demasiado simplificada
      Deleuze también fue un pensador influido por otros, y creo que el intento de este proyecto sí tiene valor
      Aun así, para alguien que realmente haya leído los textos, el resultado puede sentirse poco preciso