You signed in with another tab or window. Reload to refresh your session.You signed out in another tab or window. Reload to refresh your session.You switched accounts on another tab or window. Reload to refresh your session.Dismiss alert
Copy file name to clipboardExpand all lines: .agent/agents/README.md
+34Lines changed: 34 additions & 0 deletions
Display the source diff
Display the rich diff
Original file line number
Diff line number
Diff line change
@@ -4,6 +4,40 @@ Este directorio contiene la definición de agentes especializados para automatiz
4
4
5
5
## Agentes Disponibles
6
6
7
+
### Agentes LLM por proveedor
8
+
9
+
Estos agentes vinculan la planificación (`.agent/PLANS.md`), la configuración de credenciales y los scripts reutilizables cuando se trabaja con modelos específicos.
10
+
11
+
#### ClaudeAgent
12
+
13
+
-**Archivo**: `claude_agent.md`
14
+
-**Cuándo usarlo**: Cada vez que Claude (Anthropic) sea el proveedor principal.
15
+
-**Relaciones clave**:
16
+
- Configuración en `docs/ai/CONFIGURACION_API_KEYS.md` (`ANTHROPIC_API_KEY`).
Centralizar el uso de modelos ChatGPT/OpenAI dentro de los flujos de automatización del repositorio. ChatGPTAgent documenta los prerequisitos operativos y la relación entre planificación, scripts y guías cuando el proveedor seleccionado es OpenAI.
6
+
7
+
## Integraciones Clave
8
+
9
+
-**Configuración de credenciales**: `docs/ai/CONFIGURACION_API_KEYS.md` incluye los pasos para definir `OPENAI_API_KEY` y habilitar modos híbridos.
10
+
-**ExecPlan vivo**: `docs/plans/EXECPLAN_codex_mcp_multi_llm.md` mantiene la estrategia multi-LLM y debe actualizarse cuando cambien las capacidades o defaults de OpenAI.
11
+
-**Agente generador de tests**: `scripts/coding/ai/generators/llm_generator.py` soporta `llm_provider="openai"` para generar pruebas o documentación asistida con ChatGPT.
12
+
-**Builder MCP**: `scripts/coding/ai/orchestrators/codex_mcp_workflow.py` emite briefs con banderas MCP y modelos recomendados (por ejemplo `gpt-5`) para OpenAI.
13
+
-**Guía operativa**: `docs/ai/SDLC_AGENTS_GUIDE.md` detalla cuándo alternar entre modos heurísticos y LLM.
14
+
-**Playbook MCP**: `docs/ai_capabilities/orchestration/CODEX_MCP_MULTI_AGENT_GUIDE.md` explica la ejecución multi-agente para todos los proveedores, incluido OpenAI.
15
+
16
+
## Procedimiento Recomendado
17
+
18
+
1.**Planificación**: genera o actualiza el ExecPlan conforme a `.agent/PLANS.md` y registra en el issue qué agente ejecutará el trabajo.
19
+
2.**Preparación de entorno**: configura `OPENAI_API_KEY` en `.env` y verifica la auto-detección con `python3 scripts/coding/ai/shared/env_loader.py`.
20
+
3.**Ejecución**:
21
+
- Usa `LLMGenerator` para generación de tests con `llm_provider="openai"`.
22
+
- Para Codex MCP, alimenta los briefs de `CodexMCPWorkflowBuilder` indicando el proveedor `openai`.
23
+
4.**Gobernanza**: documenta resultados en `docs/qa/registros/` y sincroniza `Progress`, `Decision Log` y `Surprises` en el ExecPlan.
Orquestar las integraciones con modelos Claude (Anthropic) dentro del flujo SDLC del proyecto. ClaudeAgent sirve como punto de entrada documentado para cualquier actividad que requiera planificación (`.agent/PLANS.md`), generación automática de código o ejecución de flujos Codex MCP respaldados por modelos de Anthropic.
6
+
7
+
## Integraciones Clave
8
+
9
+
-**Configuración de credenciales**: `docs/ai/CONFIGURACION_API_KEYS.md` describe cómo declarar `ANTHROPIC_API_KEY` en `.env` y validar la detección automática del proveedor.
10
+
-**ExecPlan vivo**: `docs/plans/EXECPLAN_codex_mcp_multi_llm.md` resume la estrategia multi-LLM y mantiene el historial de decisiones para Codex MCP.
11
+
-**Agente generador de tests**: `scripts/coding/ai/generators/llm_generator.py` soporta `llm_provider="anthropic"` y usa Claude como backend por defecto.
12
+
-**Builder MCP**: `scripts/coding/ai/orchestrators/codex_mcp_workflow.py` genera briefs single/multi-agent asegurando banderas MCP correctas cuando el proveedor es Anthropic.
13
+
-**Guía operativa**: `docs/ai/SDLC_AGENTS_GUIDE.md` contiene los lineamientos de uso y compara el modo LLM vs heurístico.
14
+
-**Playbook MCP**: `docs/ai_capabilities/orchestration/CODEX_MCP_MULTI_AGENT_GUIDE.md` documenta prerequisitos y trazas para todos los proveedores.
15
+
16
+
## Procedimiento Recomendado
17
+
18
+
1.**Planifica**: crea o actualiza un ExecPlan siguiendo `.agent/PLANS.md` y enlázalo desde el issue correspondiente.
19
+
2.**Configura el entorno**: completa la sección de Anthropic en `.env` y ejecuta `python3 scripts/coding/ai/shared/env_loader.py` para verificar la detección de Claude.
20
+
3.**Selecciona el flujo**:
21
+
- Para generación de tests o documentación asistida usa `LLMGenerator` con `llm_provider="anthropic"`.
22
+
- Para flujos MCP ejecuta los briefs construidos con `CodexMCPWorkflowBuilder` usando el proveedor `anthropic`.
23
+
4.**Evidencia y seguimiento**: captura resultados en `docs/qa/registros/` y actualiza el ExecPlan (`Progress`, `Decision Log`, `Outcomes`).
ClaudeAgent garantiza que la documentación, la configuración y los flujos automatizados permanezcan alineados cada vez que Claude sea el LLM seleccionado.
Guiar el uso de modelos Hugging Face (locales o alojados) dentro de los pipelines del proyecto. HuggingFaceAgent cubre desde la configuración de modelos fine-tuned (p. ej. TinyLlama) hasta su participación en los flujos Codex MCP y generación de pruebas.
6
+
7
+
## Integraciones Clave
8
+
9
+
-**Configuración de entorno**: `docs/ai/CONFIGURACION_API_KEYS.md` detalla cómo definir rutas locales (`HF_LOCAL_MODEL_PATH`) o `HF_MODEL_ID` y cuándo se requiere `HUGGINGFACEHUB_API_TOKEN`.
10
+
-**ExecPlan vivo**: `docs/plans/EXECPLAN_codex_mcp_multi_llm.md` mantiene la estrategia para balancear los tres proveedores y debe reflejar cualquier cambio en modelos Hugging Face.
11
+
-**Agente generador de tests**: `scripts/coding/ai/generators/llm_generator.py` soporta `llm_provider="huggingface"` y permite reutilizar modelos QLoRA o checkpoints locales.
12
+
-**Builder MCP**: `scripts/coding/ai/orchestrators/codex_mcp_workflow.py` expone defaults y banderas MCP al usar el proveedor `huggingface`.
13
+
-**Guías de capacidad**:
14
+
-`docs/ai/SDLC_AGENTS_GUIDE.md` explica cuándo preferir modos locales vs nube.
15
+
-`docs/ai_capabilities/prompting/PHI3_PROMPT_ENGINEERING_PLAYBOOK.md` y `docs/ai_capabilities/prompting/CODE_GENERATION_GUIDE.md` muestran patrones de prompting reutilizables.
16
+
-`docs/ai_capabilities/orchestration/CODEX_MCP_MULTI_AGENT_GUIDE.md` unifica el procedimiento multi-agente.
17
+
18
+
## Procedimiento Recomendado
19
+
20
+
1.**Planificación**: crea o actualiza un ExecPlan conforme a `.agent/PLANS.md` antes de preparar experimentos o migraciones con modelos Hugging Face.
21
+
2.**Configuración de modelo**:
22
+
- Ajusta `.env` con rutas locales o `HF_MODEL_ID` según `docs/ai/CONFIGURACION_API_KEYS.md`.
23
+
- Si se utilizarán pesos fine-tuned, documenta su origen en el ExecPlan.
24
+
3.**Ejecución**:
25
+
- Usa `LLMGenerator` con `llm_provider="huggingface"` para generación de tests o snippets.
26
+
- Emplea `CodexMCPWorkflowBuilder` indicando el proveedor `huggingface` para validar flujos multi-agente.
27
+
4.**Registro**: captura resultados en `docs/qa/registros/` y mantén actualizado el `Decision Log` del ExecPlan con hallazgos de performance.
HuggingFaceAgent facilita que los equipos adopten modelos locales manteniendo coherencia con la planificación y las herramientas compartidas del repositorio.
Copy file name to clipboardExpand all lines: docs/ai/SDLC_AGENTS_GUIDE.md
+10Lines changed: 10 additions & 0 deletions
Display the source diff
Display the rich diff
Original file line number
Diff line number
Diff line change
@@ -124,6 +124,16 @@ config = {
124
124
125
125
## Agentes Disponibles
126
126
127
+
### Agentes por proveedor LLM
128
+
129
+
Para asegurar coherencia entre planificación, credenciales y herramientas, consulta las fichas específicas en `.agent/agents/`:
130
+
131
+
-**ClaudeAgent** (`.agent/agents/claude_agent.md`): describe el flujo completo cuando `llm_provider="anthropic"`, incluyendo configuración de `ANTHROPIC_API_KEY`, uso del `LLMGenerator` y orquestaciones Codex MCP documentadas en `docs/plans/EXECPLAN_codex_mcp_multi_llm.md`.
132
+
-**ChatGPTAgent** (`.agent/agents/chatgpt_agent.md`): guía las integraciones con modelos GPT/OpenAI, detalla el uso de `OPENAI_API_KEY` y enlaza con `scripts/coding/ai/orchestrators/codex_mcp_workflow.py`.
133
+
-**HuggingFaceAgent** (`.agent/agents/huggingface_agent.md`): centraliza el trabajo con modelos locales o alojados en Hugging Face, indicando rutas (`HF_LOCAL_MODEL_PATH`, `HF_MODEL_ID`) y las guías complementarias (`docs/ai_capabilities/prompting/PHI3_PROMPT_ENGINEERING_PLAYBOOK.md`).
134
+
135
+
Estas fichas son complementarias a esta guía y deben revisarse antes de ejecutar tareas multi-LLM.
136
+
127
137
### 1. SDLCFeasibilityAgent
128
138
129
139
**Propósito:** Evalúa la viabilidad técnica de una feature antes de implementarla.
Copy file name to clipboardExpand all lines: docs/plans/EXECPLAN_codex_mcp_multi_llm.md
+8-1Lines changed: 8 additions & 1 deletion
Display the source diff
Display the rich diff
Original file line number
Diff line number
Diff line change
@@ -16,21 +16,28 @@ Brindar al proyecto una guía y componentes reutilizables para ejecutar flujos m
16
16
-[x] (2025-11-09 14:22Z) Tests de unidad cubriendo generación de flujos single-agent y multi-agent para cada proveedor.
17
17
-[x] (2025-11-09 14:30Z) Secciones de documentación y catálogo de agentes enlazan el nuevo módulo.
18
18
-[x] (2025-11-09 14:40Z) Validación manual del builder y actualización del retrospect.
19
+
-[x] (2025-11-09 15:55Z) Fichas ClaudeAgent/ChatGPTAgent/HuggingFaceAgent añadidas al catálogo `.agent/agents` y referenciadas desde la guía SDLC.
20
+
-[x] (2025-11-09 15:58Z) Pruebas de alineación documental extendidas para exigir presencia de las fichas y sus vínculos multi-LLM.
19
21
20
22
## Surprises & Discoveries
21
23
22
24
- Observación: Hugging Face no requiere token obligatorio para ejecutar checkpoints locales, pero el builder devuelve la clave como opcional para mantener consistencia con los proveedores remotos.
23
25
Evidencia: Decisión codificada en `_SUPPORTED_PROVIDERS` (`required=False`).
26
+
- Observación: Las pruebas de alineación fallaron hasta que cada ficha de agente incluyó referencias explícitas al ExecPlan y a la guía de API keys.
27
+
Evidencia: `test_llm_provider_agents_are_documented` exige esas referencias para evitar divergencias futuras.
24
28
25
29
## Decision Log
26
30
27
31
- Decision: Registrar el ExecPlan bajo `docs/plans/EXECPLAN_codex_mcp_multi_llm.md` para mantenerlo versionado junto a otras planeaciones.
28
32
Rationale: El árbol `docs/plans/` centraliza los planes operativos referenciados desde documentos oficiales.
29
33
Date/Author: 2025-11-09 / gpt-5-codex
34
+
- Decision: Consolidar las fichas de proveedores LLM en `.agent/agents` y validar su presencia mediante pruebas automatizadas.
35
+
Rationale: Garantiza que cada proveedor tenga instrucciones autodescriptivas y vínculos a scripts/documentación antes de ejecutar flujos multi-agente.
36
+
Date/Author: 2025-11-09 / gpt-5-codex
30
37
31
38
## Outcomes & Retrospective
32
39
33
-
Los briefs generados cubren los tres proveedores y mantienen el gating documentado. Las pruebas unitarias confirman la presencia de políticas MCP y trazas; no se detectaron gaps adicionales. Se recomienda monitorizar posibles cambios de nombres de modelos por parte de los proveedores para mantener los defaults vigentes.
40
+
Los briefs generados cubren los tres proveedores y mantienen el gating documentado. Las pruebas unitarias confirman la presencia de políticas MCP y trazas, mientras que las fichas de agentes aseguran que planificación y credenciales permanezcan sincronizadas. Se recomienda monitorizar posibles cambios de nombres de modelos por parte de los proveedores para mantener los defaults vigentes.
0 commit comments