Hefesto

Hefesto orquesta equipos de agentes de IA persistentes que hacen avanzar tareas de forma autónoma a través de un tablero Kanban (ToDo → InProgress → InReview → Done). Cada tarea atraviesa revisiones de QA y de Security antes de integrarse de forma real a main, replicando el flujo de un equipo de desarrollo humano. Cada rol de agente corre como un pod Python independiente con su propio grafo LangGraph y su Agent Card expuesta por A2A, apoyado en modelos de Ollama en modo local o cloud y en recuperación aumentada (RAG) sobre Qdrant, todo ejecutado en un sandbox aislado dentro de Kubernetes.

Qué hace

Hefesto convierte un tablero Kanban en un equipo de agentes autónomos que toman tareas, las desarrollan, las revisan y las integran sin intervención manual constante.

• Orquesta equipos de agentes de IA persistentes que avanzan tareas de forma autónoma por las columnas ToDo, InProgress, InReview y Done.
• Aplica revisiones automáticas de QA y de Security antes de aprobar cualquier cambio.
• Realiza integración real del código a la rama main una vez superadas las revisiones.
• Recupera contexto relevante del proyecto mediante RAG sobre una base vectorial Qdrant.
• Permite alternar entre modelos de Ollama locales o en la nube según la carga de trabajo.
• Aísla la ejecución de los agentes en un sandbox de Kubernetes para garantizar la seguridad.

Arquitectura

La plataforma se estructura en 15 proyectos .NET 10 con un diseño event-driven que desacopla el motor agéntico, la orquestación del tablero y los servicios de revisión.

• 15 proyectos .NET 10 organizados con arquitectura orientada a eventos (event-driven).
• Un pod Python por rol de agente, cada uno con su grafo LangGraph —pensar, usar herramientas y repetir con techo de iteraciones— y su Agent Card publicada por A2A.
• Los pods no tocan la base de datos: todo lo que hacen sobre la plataforma pasa por el MCP Gateway del motor, de modo que la lógica de permisos vive en un solo sitio.
• Las skills que anuncia cada Agent Card se derivan de las herramientas concedidas en lugar de escribirse a mano, para que un agente no ofrezca lo que no puede hacer.
• Modelos de lenguaje servidos por Ollama, intercambiables entre ejecución local y cloud.
• RAG soportado por una base de datos vectorial Qdrant para el contexto de los proyectos.
• Sandbox aislado en Kubernetes para ejecutar de forma segura el trabajo de los agentes.
• Pipeline de CI/CD en GitLab con 6 etapas para construcción, pruebas e integración.

Stack

Construido con un backend de 15 proyectos .NET 10 event-driven en C# que expone el MCP Gateway, un plano de agentes en Python 3.12 sobre FastAPI y LangGraph que se comunica por A2A, modelos Ollama y RAG sobre Qdrant, un frontend Next.js 16 en TypeScript, ejecución en Kubernetes y CI/CD GitLab de 6 etapas.