TEI |

tei-mcp v0.3: codificar en TEI sin reescribir la fuente

Tue, 05 May 2026 00:00:00 +0000

Cuando , el objetivo era que los asistentes de IA dejaran de alucinar marcado TEI. El anclaje en el esquema (schema grounding) resolvió parte del problema: con acceso directo, mediante herramientas, a la especificación P5, el modelo ya no tiene que adivinar qué significa un elemento ni qué atributos acepta. La salida valida.

Pero en la codificación TEI la alucinación tiene dos caras, y el esquema solo atrapa una. Validar contra la especificación garantiza que el marcado está bien formado; no dice nada del texto que ese marcado envuelve. Y es ahí —en el texto mismo— donde anidan las alucinaciones más dañinas. La composición con intervalos bloqueados, la gran novedad de la v0.3, está pensada precisamente para impedirlas.

Índice

La alucinación que el esquema no atrapa

Pida a un modelo que codifique una carta francesa del siglo XVI y obtendrá, muchas veces, un documento TEI de aspecto impecable: la cabecera rellena, las etiquetas <persName> en su sitio, el <dateline> bien formado. Páselo por validate_document y lo supera.

Compare ahora el cuerpo con la fuente.

mesme se ha convertido en même. Una coma ha cambiado de sitio. luy se ha modernizado en silencio en lui. Una cláusula de lectura difícil en el manuscrito ha sido «corregida» hasta quedar más limpia. Nadie pidió ninguno de esos cambios; ninguno aparece señalado. El documento es válido según el esquema y está calladamente equivocado.

Para un flujo de trabajo archivístico —donde el texto codificado se convierte en el registro permanente del que dependerán lectores, índices de búsqueda y citas— este es el modo de fallo que más importa. Una etiqueta malformada es una molestia; una grafía modernizada que nadie advierte en cinco años es una corrupción.

La composición con intervalos bloqueados

La nueva versión (v0.3) incorpora un mecanismo de prevención de alucinaciones dirigido justo a ese modo de fallo. El objetivo de diseño es que las alucinaciones en el cuerpo del texto sean imposibles por construcción, no simplemente improbables.

La idea es sencilla: el modelo nunca teclea el cuerpo del texto.

El flujo de trabajo es, en cambio, el siguiente:

El modelo llama a get_source("letter_001") y recibe el texto plano de la fuente como cadena inmutable.
Por cada etiqueta que quiera aplicar, llama a tag_span("letter_001", start, end, element_path, attrs), con lo que registra un elemento TEI sobre un rango de caracteres de la fuente.
Al terminar, llama a compose("letter_001"). El servidor intercala las etiquetas registradas en el texto plano original, genera el TEI final y comprueba después, byte a byte, que el contenido textual plano del documento generado es idéntico a la fuente.

Si los bytes coinciden, el documento se devuelve. Si no —si las etiquetas del modelo implican de algún modo un cuerpo que se aparta de la fuente aunque sea en un solo carácter—, compose() lanza una excepción en lugar de entregar un documento corrupto.

No hay ningún camino en este flujo de trabajo por el que el modelo pueda producir un documento TEI cuyo cuerpo difiera de la fuente. El invariante es mecánico, no conductual. No hace falta confiar en que el modelo no alucine; basta confiar en una comprobación == entre dos cadenas de bytes.

Qué es esto, y qué no es

La composición con intervalos bloqueados complementa el anclaje en el esquema; no lo sustituye. Las herramientas de anclaje (validate_document, lookup_element, valid_children y el resto de las dieciséis originales) ayudan al modelo a producir TEI válido; la composición con intervalos bloqueados garantiza que el cuerpo del texto dentro de ese TEI sea fiel a la fuente. Un flujo de codificación que pueda desplegarse de verdad tiene que satisfacer ambos ejes, y ahora los dos quedan cubiertos por un solo servidor.

Tampoco es una varita mágica. compose() todavía no comprueba que las etiquetas registradas sean admisibles según la personalización ODD cargada; eso queda para más adelante. Las etiquetas registradas viven en la memoria del proceso y no sobreviven a un reinicio. Y los archivos fuente tienen que poder leerse desde donde se ejecute el servidor. Todo ello tiene arreglo; nada de ello socava el invariante central.

Por qué importa más allá de la TEI

El patrón se generaliza. Siempre que se pida a un modelo que anote, transforme o envuelva un fragmento de texto —y siempre que la integridad del texto importe más que la capacidad del modelo para «mejorarlo»— vale la misma forma de solución: no pedir al modelo que vuelva a teclear el texto, sino que produzca instrucciones sobre él, y dejar que un compositor determinista las aplique bajo un invariante de igualdad.

Para las ediciones digitales en particular, esto cambia lo que se puede pedir a un modelo con responsabilidad. De pronto, la codificación es una tarea que se puede delegar sin tener que cotejar a mano cada salida con la fuente. La máquina se ocupa de la parte tediosa; el editor revisa el marcado, no la ortografía.

Cómo obtener la actualización

Si ya tiene instalado tei-mcp:

uvx tei-mcp@latest

O desde cero:

pip install tei-mcp

Para usar la composición con intervalos bloqueados, apunte el servidor a un directorio con los archivos fuente en texto plano:

export TEI_MCP_SPAN_SOURCE_ROOT=/path/to/sources
uvx tei-mcp

El nombre base de cada archivo se convierte en su identificador de documento (letter_001.txt → letter_001).

Código fuente, documentación completa y notas de diseño del invariante:

tei-mcp

Sun, 15 Mar 2026 00:00:00 +0000

tei-mcp: TEI P5 para agentes de IA

tei-mcp es un servidor de código abierto que da a los asistentes de programación con IA acceso directo a la especificación . En lugar de fiarse de lo que memorizó durante el entrenamiento —fuente frecuente de marcado plausible pero incorrecto—, la IA puede consultar la especificación en tiempo real.

Funciones

El servidor analiza el ODD de TEI P5 y expone 16 herramientas:

Consultar cualquier elemento, clase, macro o módulo por su nombre, sin distinguir mayúsculas de minúsculas y con sugerencias en caso de errata
Resolver atributos a lo largo de toda la jerarquía de clases de la TEI (locales y heredados)
Expandir modelos de contenido en árboles estructurados, con resolución de clases y macros
Validar el anidamiento: relación directa padre-hijo o alcanzabilidad recursiva, con seguimiento de la ruta
Validar documentos contra TEI P5: modelos de contenido, atributos, listas cerradas de valores, integridad de las referencias y avisos de obsolescencia
Validar elementos sueltos para flujos de edición incremental
Cargar personalizaciones ODD que restringen el esquema al subconjunto propio de un proyecto
Buscar en todos los tipos de entidades con expresiones regulares

Instalación

pip install tei-mcp

O ejecútelo directamente con:

uvx tei-mcp

Uso

Añádalo a cualquier cliente compatible con MCP (Claude, Cursor, Windsurf, etc.):

{
 "mcpServers": {
 "tei": {
 "command": "uvx",
 "args": ["tei-mcp"]
 }
 }
}

El código fuente y la documentación están en el .

tei-mcp: TEI P5 para agentes de IA

Sun, 15 Mar 2026 00:00:00 +0000

Quien haya usado un asistente de programación con IA para escribir XML TEI habrá notado, seguramente, que se equivoca: aparecen elementos donde no deben, se inventan atributos, se ignoran las reglas de anidamiento. El modelo tiene una idea aproximada de qué aspecto tiene la TEI, pero ningún conocimiento fiable de la especificación.

tei-mcp resuelve el problema dando a los agentes de IA acceso directo, mediante herramientas, a las directrices TEI P5.

Índice

¿Qué es MCP?

El (MCP) es un estándar abierto que permite a las aplicaciones de IA conectarse con fuentes de datos y herramientas externas. Piénsese en él como en un puerto USB para la IA: un único protocolo con el que cualquier cliente compatible —Claude, Cursor, Windsurf y otros— puede enchufarse a servicios especializados.

Un servidor MCP expone herramientas que la IA puede invocar en mitad de una conversación. En vez de fiarse de lo que memorizó durante el entrenamiento, el modelo consulta una fuente viva y autorizada.

Qué hace tei-mcp

tei-mcp analiza la especificación ODD de TEI P5 y expone 16 herramientas que responden a las preguntas más frecuentes de un editor o codificador:

¿Qué es este elemento? Consulta de cualquier elemento, clase, macro o módulo por su nombre, sin distinguir mayúsculas de minúsculas y con sugerencias en caso de errata.
¿Qué atributos admite? Resolución de los atributos a lo largo de toda la jerarquía de clases: primero los locales, después los heredados, por orden.
¿Qué puede contener? Expansión de los modelos de contenido en árboles estructurados, o lista plana de los hijos válidos.
¿Puede ir aquí este elemento? Comprobación del anidamiento padre-hijo, o rastreo de la alcanzabilidad a través de toda la jerarquía de elementos.
¿Es válido mi documento? Validación de un archivo XML TEI contra la especificación: modelos de contenido, valores de atributos, listas cerradas de valores, integridad de las referencias y avisos de obsolescencia.
¿Y el esquema de mi proyecto? Carga de un archivo de personalización ODD que restringe todo lo anterior al subconjunto de la TEI propio de su proyecto.

Por qué importa

Codificar en TEI obliga a consultar las directrices sin descanso. Los codificadores experimentados interiorizan los patrones más comunes, pero hasta ellos tienen que mirar la especificación ante un elemento poco familiar o un modelo de contenido complejo. Para los asistentes de IA, que carecen de ese saber interiorizado, el problema es peor: alucinan un marcado de aspecto plausible pero incorrecto.

Con tei-mcp la IA no tiene que adivinar: puede buscar la respuesta en la especificación antes de escribir un solo paréntesis angular. El resultado es un marcado conforme a TEI P5, o a la personalización ODD de su proyecto.

Primeros pasos

Instálelo desde PyPI:

pip install tei-mcp

Añádalo después a la configuración de su cliente MCP:

{
 "mcpServers": {
 "tei": {
 "command": "uvx",
 "args": ["tei-mcp"]
 }
 }
}

El servidor descarga la especificación TEI la primera vez que se ejecuta y funciona con cualquier cliente compatible con MCP.

Código fuente y documentación completa:

Multi-Saxon

Fri, 28 Mar 2025 00:00:00 +0000

Multi-Saxon: XSLT en paralelo para grandes corpus TEI

Multi-Saxon cubre una laguna importante de las herramientas de procesamiento XML: permite ejecutar en paralelo transformaciones XSLT 2.0 y 3.0 que LXML (una biblioteca XML muy usada en Python) no puede manejar. Pensado para grandes colecciones de documentos XML TEI, Multi-Saxon acorta considerablemente los tiempos de procesamiento gracias a una ejecución paralela eficiente.

Características principales

Compatibilidad avanzada con XSLT: procesa transformaciones XSLT 2.0 y 3.0, fuera del alcance de LXML
Procesamiento en paralelo: la paralelización reduce drásticamente el tiempo de transformación de grandes colecciones de documentos
Optimizado para TEI: diseñado expresamente para documentos XML de la Text Encoding Initiative (TEI)
Rendimiento escalable: maneja con soltura corpus de cientos o miles de documentos
Multiplataforma: funciona en sistemas operativos y entornos distintos

El problema que resuelve Multi-Saxon

Quienes trabajan con TEI en humanidades digitales tropiezan a menudo con dos obstáculos:

LXML (una biblioteca habitual de procesamiento XML en Python) solo admite XSLT 1.0, lo que deja fuera las funciones más avanzadas de XSLT 2.0/3.0
Procesar grandes corpus de documentos TEI uno tras otro puede llevar un tiempo prohibitivo

Multi-Saxon resuelve ambos aprovechando las capacidades XSLT avanzadas de Saxon y repartiendo el trabajo entre varios núcleos, con ganancias de rendimiento notables.

Implementación

Multi-Saxon combina Python con el procesador Saxon de Java para formar una cadena de transformación de alto rendimiento:

Usa la biblioteca Saxon de Java para un procesamiento XSLT 2.0/3.0 robusto
Recurre al multiprocesamiento para distribuir las transformaciones entre los núcleos de CPU disponibles
Gestiona con eficiencia los grupos de procesos para maximizar el rendimiento
Ofrece una interfaz sencilla para procesar documentos TEI por lotes

Ejemplo de uso

from multi_saxon import MultiSaxon

# Initialize with your XSLT stylesheet
transformer = MultiSaxon("transform.xsl")

# Transform a single document
transformer.transform("input.xml", "output.xml")

# Transform an entire directory in parallel
transformer.transform_directory("input_dir", "output_dir")

Qué aporta a las humanidades digitales

A los proyectos de humanidades digitales que manejan grandes colecciones de documentos TEI, Multi-Saxon les permite:

Transformaciones complejas a escala de corpus, imposibles con LXML
Tiempos de procesamiento drásticamente menores (a menudo entre 5 y 10 veces, en sistemas multinúcleo)
Análisis más sofisticados gracias a las funciones avanzadas de XSLT 2.0/3.0
Un flujo de trabajo más simple para procesar colecciones enteras de documentos

El código fuente y la documentación están en el .

persNamer

Fri, 28 Mar 2025 00:00:00 +0000

persNamer: conectar la TEI con el Virtual International Authority File

persNamer es una herramienta especializada en Python que agiliza la integración en documentos XML TEI de los datos de autoridad sobre personas de VIAF (Virtual International Authority File). Al convertir los identificadores VIAF en marcado TEI listo para usar, persNamer reduce en buena medida el trabajo manual que supone crear entradas de persona estructuradas para una edición crítica digital.

El reto del control de autoridades en TEI

Las ediciones críticas digitales suelen exigir una identificación precisa de los personajes históricos, con sus nombres normalizados y sus fechas de nacimiento y muerte. Mantener un control de autoridades coherente en todo un proyecto exige:

Identificar a las personas en los textos históricos
Encontrar datos de autoridad sobre ellas
Crear entradas TEI con el formato correcto
Garantizar que las referencias sean coherentes en todo el proyecto

Todo ello suele hacerse a mano, lleva tiempo y se presta a incoherencias.

Cómo funciona persNamer

persNamer automatiza este flujo de trabajo en tres pasos:

Obtiene los datos de VIAF: a partir de un identificador VIAF, recupera los datos RDF mediante negociación de contenido HTTP
Extrae la información clave: analiza el RDF para extraer el nombre preferente y las fechas de nacimiento y muerte
Genera el marcado TEI: crea dos fragmentos XML esenciales:
- Una entrada del fichero de autoridades (elemento <person> con un xml:id generado, <persName>, <birth>, <death> e <idno type="VIAF">)
- Una etiqueta de anotación independiente (<persName> con un atributo ref que remite a la entrada de autoridad)

Esta doble salida permite al editor mantener un fichero de autoridades centralizado y, a la vez, insertar sin esfuerzo etiquetas de anotación en sus textos TEI.

Características principales

Identificadores normalizados: genera identificadores XML coherentes con el formato pers-[apellido]-[inicial del nombre] (p. ej., pers-deteligny-c)
Análisis de RDF: usa rdflib para extraer información de distintas propiedades RDF (p. ej., rdfs:label, schema:name, viaf:mainHead)
Interfaz de línea de comandos: se ejecuta con un número VIAF como único argumento obligatorio
Salida detallada: informa con detalle del procesamiento junto a la salida XML final

Ejemplo de uso

python persNamer.py 314802260

Este comando produce:

<person xml:id="pers-deteligny-c">
 <persName>Charles deTéligny</persName>
 <birth>1535</birth>
 <death>1572-08-24</death>
 <idno type="VIAF">314802260</idno>
</person>

<persName ref="#pers-deteligny-c">Charles deTéligny</persName>

Aplicaciones en humanidades digitales

persNamer resulta especialmente útil para:

Ediciones críticas digitales que necesitan control de autoridades
Proyectos de codificación TEI que trabajan con personajes históricos
Iniciativas de datos enlazados que conectan documentos con registros de autoridad
Garantizar la coherencia en grandes corpus TEI
Enseñar el control de autoridades en cursos de humanidades digitales

Implementación

persNamer está escrito en Python y depende de:

requests para las peticiones HTTP
rdflib para el análisis de RDF
lxml para el manejo de XML

El código fuente y la documentación están en el .