Proyecto destacado · Agent Engineering · Full Stack
Agent Engineering portfolio. Orquestador autónomo de IA que planifica objetivos, selecciona skills óptimas, lanza sub-agentes Hermes aislados, sintetiza resultados y aprende continuamente. Construí este sistema para demostrar cómo dirigir agentes de IA para desarrollo de producto verificable.
Tecnologías: Python, Hermes Agent, OpenCode CLI, OpenRouter, skills de Kavana, Git, Docker. Ver arquitectura completa →
Pasé mis últimos 8 años como operario de fábrica en el sector industrial. Vi cómo el trabajo real -ordenes de producción, registros manuales, sistemas lentos- necesitaba herramientas que entendieran el suelo de fábrica, no solo las oficinas.
Así nació Kavana Agent: mi necesidad de una herramienta que pudiera planificar complejos objetivos de desarrollo, delegar tareas a sub-agentes especializados, sintetizar evidencia real y aprender de cada iteración. Algo que trabajara conmigo, no que yo tuviera que micromanagear.
Kavana Agent no es un wrapper de prompts. Nació de la frustración con herramientas de IA que requieren intervención constante, pierden contexto o no pueden ejecutar acciones reales. Este proyecto demuestra cómo construir un orquestador que gestione complejos flujos de trabajo de IA con autonomía supervisada.
Descompone objetivos de alto nivel en tareas atómicas con dependencias usando patrones probados (deployment, bug_fix, feature_development, etc.). Genera un DAG de tareas listo para ejecución paralela.
Consulta el grafo de skills disponibles y elige la óptima para cada tarea usando scoring por palabras clave, historial de uso y coincidencia de contexto. Evita sobre-especialización y promueve reutilización. Ver selector →
Lanza sub-agentes Hermes aislados vía delegate_task con contexto, filesystem y toolset específicos. Cada sub-agente ejecuta en su propio entorno sin interferir con otros.
Ordenamiento topológico (Kahn's algorithm) para respetar dependencias. Ejecuta tareas sin dependencias en paralelo (máx 4 concurrentes) y espera a que completen sus dependientes.
Agrega resultados de sub-agentes, valida contra criterios de aceptación, extrae artefactos, tests y logs. Genera reporte ejecutivo con trazas de ejecución y métricas de calidad.
Extrae lecciones aprendidas, propone mejoras de skills, actualiza engineering-kb y memoria persistente. El orquestador se mejora a sí mismo con cada objetivo completado.
Usa skills existentes: kavana-tdd-kit (tests obligatorios), engineering-practices (calidad de código), kavana-ops (auditoría y debugging), kavana-toolbox (herramientas aprendidas) y más.
Configuración orquestable via YAML (max concurrentes, timeouts, retry, modelos). Diseñado para ser ajustable sin tocar código.
Todo el orquestador es código abierto, verificable y desplegable. Incluye scripts de instalación, documentación de uso y ejemplos de ejecución real.
Más allá de las tecnologías, aquí hay decisiones de arquitectura que nacen del producto, no de la tecnología. Cada una responde a un requisito real de planta y tiene su ADR.
Usa delegate_task real de Hermes para lanzar sub-agentes aislados, en vez de simular resultados. Esto permite evidencia auténtica, artefactos reales y tests verificables. Trade-off: requiere entorno Hermes funcional y manejo de timeouts/fallos.
Pipeline completo: PLANNING → SELECTOR → EXECUTOR → SYNTHESIZER → LEARNER. Cada etapa tiene responsabilidad clara y puede ser mejorada independientemente. Trade-off: más complejo que un script simple, pero permite aprendizaje continuo y reutilización.
Memoria y skills actualizadas tras cada ejecución: lecciones aprendidas, propuestas de skill, ajustes de configuración. El orquestador se mejora a sí mismo con el tiempo. Trade-off: requiere gestión cuidadosa de memoria para evitar contaminación entre objetivos.
Integración con OpenRouter para acceso a múltiples LLMs (Nemotron, Claude, DeepSeek, etc.) con fallback automático ante fallos de proveedor. Trade-off: dependencia de conectividad externa y gestión de límites de tasa.
Cada sub-agente Hermes ejecuta en contexto aislado: propio filesystem, toolset y variables de entorno. Evita efectos secundarios y permite reproducibilidad. Trade-off: mayor consumo de recursos por sub-agente, pero mayor seguridad y fiabilidad.
Todas las decisiones técnicas están documentadas en el código, comentarios y archivos de diseño. El orquestador incluye su propia skill de documentación (kavana-orchestrator). Trade-off: tiempo inicial de documentación, pero reduce deuda técnica y mejora mantenibilidad.
Transparencia total: cada punto se puede verificar en el repositorio público y en mis productos desplegados.
Mi metodología está viva y evolucionando. Cada proyecto me enseña algo nuevo, y mi orquestador se mejora a sí mismo con cada iteración.
Durante el desarrollo de kavana-manufacturing (mi MES offline-first), se identificaron 6 bloqueos críticos que impedían el despliegue a producción: tests fallando, errores de lint, configuración incorrecta y archivos rotos.
Ver repositorio →Utilicé mi orquestador (Kavana Agent) para: 1) identificar los problemas mediante auditoría especializada, 2) analizar causas raíz e impacto, 3) diseñar soluciones con tradeoffs claros, 4) implementar fixes verificables, 5) crear tests de regresión, y 6) validar que todo funcionaba antes de considerar el trabajo completado.
Tras aplicar mi metodología: todos los 6 bloqueos críticos fueron resueltos, el producto pasó 416/416 tests, se creó un test de regresión para prevenir futuras regresiones, y el despliegue a producción quedó listo y verificable.
Este es uno de los ejemplos de cómo aplico mi metodología para construir productos complejos verificables. Si quieres ver el código de mis proyectos, mis decisiones técnicas documentadas, o simplemente conectar:
Proyecto destacado · Agent Engineering · Full Stack
Agent Engineering portfolio. Orquestador autónomo de IA que planifica objetivos, selecciona skills óptimas, lanza sub-agentes Hermes aislados, sintetiza resultados y aprende continuamente. Construí este sistema para demostrar cómo dirigir agentes de IA para desarrollo de producto verificable.
Tecnologías: Python, Hermes Agent, OpenCode CLI, OpenRouter, skills de Kavana, Git, Docker. Ver arquitectura completa →
Pasé mis últimos 8 años como operario de fábrica en el sector industrial. Vi cómo el trabajo real -ordenes de producción, registros manuales, sistemas lentos- necesitaba herramientas que entendieran el suelo de fábrica, no solo las oficinas.
Así nació Kavana Agent: mi necesidad de una herramienta que pudiera planificar complejos objetivos de desarrollo, delegar tareas a sub-agentes especializados, sintetizar evidencia real y aprender de cada iteración. Algo que trabajara conmigo, no que yo tuviera que micromanagear.
Kavana Agent no es un wrapper de prompts. Nació de la frustración con herramientas de IA que requieren intervención constante, pierden contexto o no pueden ejecutar acciones reales. Este proyecto demuestra cómo construir un orquestador que gestione complejos flujos de trabajo de IA con autonomía supervisada.
Descompone objetivos de alto nivel en tareas atómicas con dependencias usando patrones probados (deployment, bug_fix, feature_development, etc.). Genera un DAG de tareas listo para ejecución paralela.
Consulta el grafo de skills disponibles y elige la óptima para cada tarea usando scoring por palabras clave, historial de uso y coincidencia de contexto. Evita sobre-especialización y promueve reutilización. Ver selector →
Lanza sub-agentes Hermes aislados vía delegate_task con contexto, filesystem y toolset específicos. Cada sub-agente ejecuta en su propio entorno sin interferir con otros.
Ordenamiento topológico (Kahn's algorithm) para respetar dependencias. Ejecuta tareas sin dependencias en paralelo (máx 4 concurrentes) y espera a que completen sus dependientes.
Agrega resultados de sub-agentes, valida contra criterios de aceptación, extrae artefactos, tests y logs. Genera reporte ejecutivo con trazas de ejecución y métricas de calidad.
Extrae lecciones aprendidas, propone mejoras de skills, actualiza engineering-kb y memoria persistente. El orquestador se mejora a sí mismo con cada objetivo completado.
Usa skills existentes: kavana-tdd-kit (tests obligatorios), engineering-practices (calidad de código), kavana-ops (auditoría y debugging), kavana-toolbox (herramientas aprendidas) y más.
Configuración orquestable via YAML (max concurrentes, timeouts, retry, modelos). Diseñado para ser ajustable sin tocar código.
Todo el orquestador es código abierto, verificable y desplegable. Incluye scripts de instalación, documentación de uso y ejemplos de ejecución real.
Más allá de las tecnologías, aquí hay decisiones de arquitectura que nacen del producto, no de la tecnología. Cada una responde a un requisito real de planta y tiene su ADR.
Usa delegate_task real de Hermes para lanzar sub-agentes aislados, en vez de simular resultados. Esto permite evidencia auténtica, artefactos reales y tests verificables. Trade-off: requiere entorno Hermes funcional y manejo de timeouts/fallos.
Pipeline completo: PLANNING → SELECTOR → EXECUTOR → SYNTHESIZER → LEARNER. Cada etapa tiene responsabilidad clara y puede ser mejorada independientemente. Trade-off: más complejo que un script simple, pero permite aprendizaje continuo y reutilización.
Memoria y skills actualizadas tras cada ejecución: lecciones aprendidas, propuestas de skill, ajustes de configuración. El orquestador se mejora a sí mismo con el tiempo. Trade-off: requiere gestión cuidadosa de memoria para evitar contaminación entre objetivos.
Integración con OpenRouter para acceso a múltiples LLMs (Nemotron, Claude, DeepSeek, etc.) con fallback automático ante fallos de proveedor. Trade-off: dependencia de conectividad externa y gestión de límites de tasa.
Cada sub-agente Hermes ejecuta en contexto aislado: propio filesystem, toolset y variables de entorno. Evita efectos secundarios y permite reproducibilidad. Trade-off: mayor consumo de recursos por sub-agente, pero mayor seguridad y fiabilidad.
Todas las decisiones técnicas están documentadas en el código, comentarios y archivos de diseño. El orquestador incluye su propia skill de documentación (kavana-orchestrator). Trade-off: tiempo inicial de documentación, pero reduce deuda técnica y mejora mantenibilidad.
Transparencia total: cada punto se puede verificar en el repositorio público y en mis productos desplegados.
Mi metodología está viva y evolucionando. Cada proyecto me enseña algo nuevo, y mi orquestador se mejora a sí mismo con cada iteración.
Durante el desarrollo de kavana-manufacturing (mi MES offline-first), se identificaron 6 bloqueos críticos que impedían el despliegue a producción: tests fallando, errores de lint, configuración incorrecta y archivos rotos.
Ver repositorio →Utilicé mi orquestador (Kavana Agent) para: 1) identificar los problemas mediante auditoría especializada, 2) analizar causas raíz e impacto, 3) diseñar soluciones con tradeoffs claros, 4) implementar fixes verificables, 5) crear tests de regresión, y 6) validar que todo funcionaba antes de considerar el trabajo completado.
Tras aplicar mi metodología: todos los 6 bloqueos críticos fueron resueltos, el producto pasó 416/416 tests, se creó un test de regresión para prevenir futuras regresiones, y el despliegue a producción quedó listo y verificable.
Este es uno de los proyectos de mi portfolio. Si quieres ver el código, las decisiones técnicas documentadas, o simplemente conectar: