Prueba de Concepto (POC) para un agente de IA modular basado en Agent Skills y Clean Architecture. Diseñado para entender profundamente el modelo agentic sin depender de frameworks comerciales.

Este agente no "sabe" hacer cosas por arte de magia. Tiene capacidades declarativas llamadas Skills que descubre en tiempo real. Se separa estrictamente el Razonamiento (LLM como Router) de la Ejecución (Python como Orquestador).

graph TD
    User((Usuario)) --> CLI[CLI Interface]
    CLI --> Orch[Orchestrator]
    Orch --> Router{Router LLM}
    Router -- "Decisión JSON" --> Orch
    Orch -- "Ejecutar Skill" --> Runner[Subprocess Runner]
    Runner -- "Observation" --> Orch
    Orch -- "Actualizar Contexto" --> Router
    Router -- "Responder" --> User

Siguiendo las Best Practices de Anthropic, el agente solo carga la información que necesita:

• Nivel 1: Metadata ligera para que el Router sepa qué skills existen.
• Nivel 2: Instrucciones detalladas (SKILL.md) solo cuando se elige una habilidad.
• Nivel 3: Recursos profundos bajo demanda.

El agente es capaz de hablar con herramientas externas mediante el estándar MCP vía stdio, permitiendo una extensibilidad infinita sin tocar el core.

• Cero Persistencia: Todo el estado vive en la RAM. Ideal para privacidad y POCs rápidas.
• Aislamiento: Las skills corren en procesos separados para evitar fallos catastróficos.

Requiere UV para la gestión de dependencias.

git clone https://github.com/FullFran/Agent-skills-POC.git
cd Agent-skills-POC
uv sync

Copia el archivo de ejemplo y configura tu API Key (OpenAI compatible).

cp .env.example .env
# Edita el .env con tu proveedor de preferencia

Lanza el agente interactivo:

uv run python -m src.endpoints.cli.main

src/
├── core/           # Dominio: Schemas, Interfaces y Políticas.
├── services/       # Aplicación: Orquestador y Lógica de Negocio.
├── infrastructure/ # Implementaciones: LLM, Storage, Runners, MCP.
└── endpoints/      # Entrada: Interfaz de Línea de Comandos.
workspace/          # Entorno operativo (Skills y Personalidad).

• 📘 Arquitectura Detallada: Diagramas C4 y flujo de datos.
• 📖 Estudio de Referencias: Análisis de Anthropic y otros agentes.
• 📋 Plan Inicial: Alcance y objetivos originales.

• Clean Architecture Layers
• In-Memory Agent State
• Filesystem Skill Store
• Subprocess Skill Runner
• OpenAI Compatible Router
• Real Web Search Skill (Scraping)
• Real Weather Skill (API)
• MCP Stdio Client (Context7 Bridge)
• Interactive CLI (Rich)