PROYECTO PERSONAL / CASO DE INGENIERÍA

Commerce AI Hub.

De una petición Commerce a un plan de entrega revisado.

Publicado como AI Delivery Hub, este proyecto personal explora la planificación estructurada iniciada por personas para Adobe Commerce, App Builder y proyectos de software genéricos. Ofrece acceso por CLI, LangGraph Studio y MCP; no es un servicio autónomo de entrega en producción.

Ver repositorio en GitHubPROYECTO PERSONAL / MVP EXPERIMENTAL

Estado actual

MVP experimental; sin afirmaciones de uso en producción o impacto en clientes. El diagrama ilustra el flujo, no una topología de despliegue completa.

01 / AUTOMATIZAR LA PREPARACIÓN. MANTENER EL CONTROL HUMANO.

Automatizar la preparación. Mantener el control humano.

Planificar requiere contexto, perspectivas especializadas y revisión explícita. El flujo clasifica la petición, selecciona guías de plataforma y genera entregables, manteniendo la revisión, los cambios y la aprobación como pasos deliberados.

02 / DISEÑO DEL SISTEMA

Un flujo de planificación con estado

LangGraph coordina etapas de generación con OpenAI. Los checkpoints opcionales en PostgreSQL persisten el estado y las trazas opcionales de Langfuse muestran la ejecución. Los clientes MCP pueden iniciar, consultar, revisar, cancelar y aprobar ejecuciones.

AI DELIVERY HUB / FLUJOREQUEST → PLAN → REVIEW
EXPLORADOR DEL SISTEMASELECCIONA UN SERVICIO ↗

Petición → Planificación → Generación → Revisión humana

02
LangGraph

Coordina las etapas de clasificación, generación y revisión.

MVP experimental; sin afirmaciones de uso en producción o impacto en clientes. El diagrama ilustra el flujo, no una topología de despliegue completa.

03 / DECISIONES TÉCNICAS

Decisiones de ingeniería

01

Aprobación humana

Los entregables generados se pueden aprobar, modificar o rechazar antes de continuar.

02

Guías por plataforma

Un catálogo YAML selecciona perfiles para Adobe Commerce, App Builder o trabajo genérico, con reglas deterministas si falla la selección del modelo.

03

Roles especializados

Los perfiles canónicos permiten variantes por plataforma sin duplicar todos los roles.

04

Modelos por etapa

La selección de modelos por etapa permite asignar distintos modelos de OpenAI a tareas diferentes.

05

Ejecución trazable

Persistencia opcional, entregables de auditoría y trazas facilitan la investigación y revisión.

04 / TECNOLOGÍAS

Tecnologías

PythonLangGraphOpenAIMCPPostgreSQLLangfuse

MVP experimental; sin afirmaciones de uso en producción o impacto en clientes. El diagrama ilustra el flujo, no una topología de despliegue completa.

Volver al portfolio