AI Toolchain — OpenCode + wiki-brain
Ecosistema de desarrollo asistido por IA: orquestador multi-agente, wiki de conocimiento persistente y automatización de infraestructura
Problema
Desarrollar software complejo (trading bots, ML pipelines, infraestructura) requiere coordinar múltiples dominios. La IA acelera la escritura de código, pero sin dirección humana produce resultados inconsistentes y conocimiento perdido en historiales.
Solución
Arquitectura de desarrollo híbrida donde yo diseño las soluciones (arquitectura, decisiones técnicas, dirección) y un ecosistema de herramientas AI acelera la implementación. OpenCode orquesta agentes especializados con diferentes modelos y costes; wiki-brain mantiene el conocimiento persistente entre sesiones; y una capa de scripts Bash/Podman automatiza el deployment de 30+ contenedores.
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 la herramienta con la que construí todos los demás. Cada repositorio en este portfolio fue desarrollado con este ecosistema. Soy transparente al respecto: la IA es mi acelerador, no mi reemplazo.
Mi rol es de arquitecto/orquestador: diseño la solución, tomo las decisiones técnicas, valido cada resultado. La IA ejecuta la implementación a una velocidad que sería imposible manualmente.
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 scripts Bash idempotentes:
start-all.sh— orquestación completa con descubrimiento de stacksauto-update.sh— actualización automática con locking y rollbackbridge-health.sh— verificación de conectividad post-deploydisk-check.sh— monitoreo proactivo de almacenamiento
Stack que domino
Este ecosistema refleja mis fortalezas reales:
- 🐳 Docker/Podman — Containerización, redes, volúmenes, systemd quadlets
- 🐍 Python — Toda la lógica de los agentes, servidores MCP, y scripts de automatización
- 📝 YAML — Configuración de infraestructura, docker-compose, definiciones de agentes
- 🔧 Bash — Scripts de orquestación, health checks, recovery automático