AI Toolchain — OpenCode + wiki-brain
Ecosistema de desarrollo asistido por IA: orquestador multi-agente, wiki de conocimiento persistente y automatización de infraestructura
Problema
El desarrollo de software complejo requiere tiempo y contexto que los historiales de chat no retienen. Sin un sistema estructurado, el conocimiento se pierde entre sesiones.
Solución
Ecosistema de desarrollo aumentado por IA donde yo diseño la arquitectura y OpenCode orquesta agentes especializados para implementar. Wiki-brain mantiene el conocimiento persistente entre sesiones con trazabilidad completa. Scripts Bash/Podman automatizan el deployment.
Logros clave
- Orquestador multi-agente con 7 especialistas (oracle, librarian, explorer, designer, fixer, observer, council) cada uno con el modelo óptimo para su tarea
- wiki-brain MCP: servidor que expone un vault de Obsidian como herramientas de búsqueda, síntesis y linting para cualquier asistente AI
- LLM Wiki Pattern: el conocimiento no se pierde en historiales — se compila en páginas wiki persistentes con trazabilidad
- Auto-update con locking, health checks inter-container, y rollback automático para toda la flota de contenedores
- Infraestructura completa definida en YAML (docker-compose) y scripts Bash idempotentes
Filosofía
Este proyecto es mi metodología de trabajo con IA. No es un producto ni un servicio — es la herramienta que uso para acelerar mi desarrollo cuando tiene sentido. La IA no define quién soy; es un acelerador bajo mi dirección.
Mi rol es de diseñador/orquestador: diseño la solución, tomo las decisiones técnicas, valido cada resultado. La IA ejecuta la implementación cuando la tarea lo permite.
Nota: no todo mi código se hace con IA. Mis proyectos de sistemas embebidos (C, C++, firmware) los construyo de forma tradicional. Este ecosistema es complementario, no sustitutivo.
Componentes
OpenCode + oh-my-opencode-slim
Orquestador que coordina 7 agentes especializados, cada uno con un modelo de IA diferente optimizado para su función:
| Agente | Modelo | Rol |
|---|---|---|
| oracle | deepseek-v4-pro | Decisiones arquitectónicas, debugging complejo, code review |
| librarian | minimax-m2.7 | Investigación de documentación y APIs |
| explorer | minimax-m2.7 | Búsqueda rápida en el código fuente |
| designer | kimi-k2.6 | UI/UX, diseño visual |
| fixer | deepseek-v4-flash-free | Implementación rápida de tareas acotadas |
| observer | kimi-k2.6 | Monitoreo y análisis |
| council | deepseek-v4-pro | Asesoría estratégica |
wiki-brain MCP
Servidor que implementa el LLM Wiki Pattern de Karpathy: el asistente AI escribe un wiki persistente y el humano lo lee y dirige. Expone 9 herramientas MCP:
- search/read/list — navegación del wiki
- query/compile/crystallize — síntesis de conocimiento con citas [[wikilinks]]
- lint/rebuild_index — mantenimiento de consistencia
- ingest_knowledge — incorporación de investigación externa
Infraestructura
30+ contenedores Podman gestionados con automatización Bash idempotente:
- un script de orquestación con descubrimiento de stacks
- un script de actualización automática con locking y rollback
- un script de verificación de conectividad post-deploy
- un script de monitoreo proactivo de almacenamiento
Stack del ecosistema IA
Este ecosistema está construido con herramientas que forman parte de mi stack más amplio:
- 🐳 Docker/Podman — Containerización, redes, volúmenes, systemd quadlets
- 🐍 Python — Lógica de agentes, servidores MCP, scripts de automatización
- 📝 YAML — Configuración de infraestructura, docker-compose, definiciones de agentes
- 🔧 Bash — Scripts de orquestación, health checks, recovery automático
Mi stack completo incluye también C, C++, firmware embebido, y microcontroladores — visibles en mis proyectos de sistemas electrónicos.