Archon: una herramienta de código abierto que permite a la IA generar y optimizar automáticamente otros agentes de IA 125

Archon es una herramienta de código abierto que permite a la ia generar y optimizar automáticamente otros agentes de IA. Como primer "Agenteer", la sexta versión de Archon admite múltiples bibliotecas de herramientas e integración con servidores MCP, lo que hace que las IA generadas sean más eficientes y fiables. El usuario solo tiene que describir la funcionalidad de IA que necesita, y Archon la creará siguiendo una serie de pasos que incluyen planificación, codificación y optimización.

Funciones principales:

• Integración de recursos documentales (capaz de extraer contenido de sitios web, cargar PDFs/documentos, etc.)

• Capacidad de búsqueda inteligente (basada en estrategias RAG avanzadas)

• Funcionalidad de gestión de tareas (integrada con la base de conocimientos)

• Soporte para actualizaciones en tiempo real (sincronización de nuevo contenido y tareas colaborativas)

Características de la arquitectura:

Flujo de la arquitectura del agente

El usuario describe el agente de IA que desea crear, un LLM determina el alcance de alto nivel, y el agente de codificación principal crea el agente inicial basándose en el alcance y la documentación. Posteriormente, el usuario puede dar su opinión o dejar que Archon optimice el agente de forma autónoma.

Si se opta por la optimización autónoma, un agente optimizador especializado mejorará los prompts, las herramientas y la configuración del agente. A continuación, el agente de codificación principal vuelve a crear el agente según los comentarios, y este proceso se repite hasta que el usuario considere que el agente está terminado, generando finalmente el código completo y las instrucciones de ejecución.

Arquitectura de archivos

• Los archivos principales incluyen: streamlit_ui.py (gestiona la interfaz web de Archon), graph_service.py (servicio que maneja el flujo de trabajo del agente), run_docker.py (script para construir y ejecutar el contenedor Docker de Archon), Dockerfile (define el contenedor de la aplicación principal de Archon), archivos relacionados con MCP (implementan la integración del servidor Model Context Protocol para IDE de IA).

• El paquete Archon incluye: archon/ (implementación principal del agente y del flujo de trabajo), archon_graph.py (define el flujo de trabajo de LangGraph y la coordinación de agentes), pydantic_ai_coder.py (agente de codificación principal), refiner_agents/ (agentes optimizadores especializados).

• Las utilidades incluyen: utils/ (funciones de utilidad compartidas y configuración de la base de datos), site_pages.sql (comandos de configuración de la base de datos).

• Workbench: se crea en tiempo de ejecución; workbench/ contiene el archivo de variables de entorno env_vars.json, el archivo de logs logs.txt y el documento de alcance detallado scope.md.

Despliegue de Archon

• Contenedor Docker:

• Contenedor principal: ejecuta la UI de Streamlit (puerto 8501) y el servicio de grafos (puerto 8100), gestiona todas las funciones del agente y la interacción con el usuario, construido a partir del Dockerfile raíz.

• Contenedor MCP: implementa el Model Context Protocol para IDE de IA, se comunica con el servicio de grafos del contenedor principal y proporciona una interfaz estandarizada para IDE de IA como Windsurf y Cursor, construido a partir de mcp/Dockerfile. El script run_docker.py construye e inicia automáticamente ambos contenedores y los configura.

• Python local: ejecución directa en el sistema mediante un entorno virtual de Python.

Aplicaciones de Archon:

• Proporciona herramientas para desarrolladores: ayuda a crear y optimizar agentes de IA, reduciendo la carga de trabajo de desarrollo. Gracias a las bibliotecas de herramientas predefinidas y la integración con MCP, los desarrolladores pueden acceder y utilizar rápidamente diversas herramientas, mejorando la eficiencia del desarrollo.

• Muestra la evolución de los sistemas de agentes: como marco educativo, muestra el proceso de evolución de los sistemas de agentes de simples a complejos, reflejando aspectos como la planificación, los bucles de retroalimentación y la integración de conocimiento del dominio, sirviendo como referencia para quienes investigan sistemas de agentes.

Método de instalación y uso de Archon:

Instalación:

• Docker (recomendado):

• Clonar el repositorio: git clone https://github.com/coleam00/archon.git

• Acceder al directorio del proyecto: cd archon

• Ejecutar el script de configuración: python run_docker.py, este script construirá automáticamente los contenedores (incluido el contenedor del servidor MCP y el contenedor principal de Archon), iniciará Archon y realizará el mapeo de puertos, utilizando las variables de entorno del archivo .env si existe.

• Instalación local con Python:

• Clonar el repositorio: git clone https://github.com/coleam00/archon.git

• Acceder al directorio del proyecto: cd archon

• Crear y activar un entorno virtual: python -m venv venv, el comando de activación en Windows es venv\Scripts\activate, y en otros sistemas es source venv/bin/activate

• Instalar dependencias: pip install -r requirements.txt

• Iniciar la UI de Streamlit: streamlit run streamlit_ui.py

Uso:

Proceso de configuración:

• Configuración del entorno: en la sección Intro de la UI de Streamlit, configure las claves de API y los ajustes del modelo; esta información se almacena en workbench/env_vars.json.

• Configuración de la base de datos: configure la base de datos vectorial Supabase.

• Procesamiento de documentos: guíe el rastreo y la indexación de la documentación de Pydantic AI.

• Inicio del servicio del agente: inicie el servicio del agente para generar agentes.

• Configuración de MCP (opcional): configure la integración de MCP con IDE de IA.

Flujo de operación:

Tras completar la configuración siguiendo las indicaciones de la UI de Streamlit, describa el agente de IA que desea crear. Archon llevará a cabo la creación y optimización del agente según su flujo de trabajo, durante el cual el usuario puede proporcionar comentarios o solicitar la optimización autónoma, obteniendo finalmente el código completo y las instrucciones de ejecución.