ai-platform-lab
Plataforma de IA de producción con enfoque en seguridad, construida sobre un único cluster Kubernetes local. Incluye GitOps (ArgoCD), Vault para secretos, Kyverno y Falco para políticas, GPU LLM auto-serve, observabilidad completa y sin usar cloud.
Ficha actualizada 23 sept 2026, 13:38 · upstream 23 sept 2026, 13:13 · release sin release detectada
Qué es ai-platform-lab
Descripción editorial construida a partir del repositorio, su documentación y sus señales de mantenimiento.
Aegis AI Platform Lab es una plataforma de IA de producción de alto nivel construida sobre un único cluster Kubernetes local. Su propósito principal es permitir a los desarrolladores construir aplicaciones de IA desde cero sin necesidad de infraestructura en la nube. La arquitectura está diseñada para ser segura, escalable y mantenible, con un enfoque en el control del ciclo de vida completo de las aplicaciones de IA: desde el desarrollo hasta el despliegue y monitoreo.
El proyecto se centra en proporcionar una experiencia de desarrollo de software robusta que incluya herramientas de seguridad, observabilidad, gestión de secretos y automatización de despliegues. Se construye sobre un stack tecnológico moderno pero localmente ejecutable, utilizando tecnologías como FastAPI para el backend, Next.js para la interfaz web, Kubernetes para el control de recursos, PostgreSQL y Qdrant para almacenamiento de datos, entre otros componentes.
- Desarrollo de chatbots con historial de conversación persistente
- Integración de documentos o imágenes en consultas de IA
- Monitoreo de rendimiento y disponibilidad de servicios de IA
- Gestión de modelos de lenguaje grandes (LLMs) localmente
- Implementación de guardrails para seguridad y cumplimiento
- Automatización de despliegue mediante GitOps
- Arquitectura completa en un solo cluster Kubernetes local sin necesidad de cloud provider externo
- Stack tecnológico completo: FastAPI, Next.js, PostgreSQL, Qdrant, Redis y Elasticsearch
- Seguridad con Vault como gestor de secretos, Kyverno para políticas de imagen y Falco para runtime security
- Pipeline CI/CD automatizado con GitHub Actions que incluye escaneo de SBOM con Syft y Cosign
- Arquitectura GitOps con ArgoCD usando App-of-Apps pattern para despliegue consistente
- GPU auto-scaling mediante NVIDIA Container Toolkit, DCGM Exporter y HPA configurados en Kubernetes
- RAG (Retrieval-Augmented Generation) con vector store Qdrant y evaluación de modelos
- Seguridad de cadena de suministro con Trivy, Checkov y Syft para validación de imágenes
- No incluye infraestructura en la nube; requiere configuración manual del cluster local (k3s)
- Depende de componentes externos como NVIDIA Container Toolkit y GPU drivers
- La autenticación con Vault es manual (no se automatiza mediante Kubernetes auth tokens)
- El despliegue requiere conocimiento avanzado de Kubernetes, Helm, GitOps y seguridad
- No incluye herramientas de ML/IA en sí mismas, solo la infraestructura para ejecutarlas
- Las políticas de seguridad son estáticas y no adaptativas dinámicamente
Perfil de infraestructura
Estimación inicial derivada del repositorio y de los servicios detectados.
Despliegue detectado
Qué señales reales de instalación hemos encontrado.
Para desplegar desde cero: instalar ArgoCD mediante su manifesto raw (no Helm) y aplicar el App-of-Apps. El flujo GitOps permite que ArgoCD sincronice todos los recursos automáticamente sin intervención manual. Para producción, se recomienda usar la rama `master` como base de producción. Se debe configurar un namespace separado para producción (`prod`) y una rama correspondiente. La autenticación con Vault requiere un agente de Vault instalado en el cluster y roles específicos por componente. El pipeline CI incluye escaneo de imágenes con Trivy, validación de schema Alembic mediante migraciones temporales, y verificación de artefactos de IA antes del push a `master`. Se recomienda mantener la rama `develop` activa para desarrollo continuo.
Stack y dependencias
Componentes inferidos a partir de manifests, configuración y documentación.
Puede sustituir a
Relaciones detectadas por el análisis del repositorio y su categoría.
Experiencia real de la comunidad
Ayuda a contrastar la estimación automática con instalaciones reales.
Todavía no hay datos comunitarios para este proyecto.