danmo-work
danmo-work es un agente de trabajo de IA open source autocontenido que ejecuta múltiples agentes especializados en paralelo. Permite crear proyectos completos con código, documentación, presentaciones y hojas de cálculo en una sola sesión, con recuperación ante fallos y persistencia en SQLite.
Ficha actualizada 23 sept 2026, 1:56 · upstream 23 sept 2026, 1:50 · release v0.9.65
Qué es danmo-work
Descripción editorial construida a partir del repositorio, su documentación y sus señales de mantenimiento.
Danmo Work es un agente de trabajo de inteligencia artificial completamente autocontenido, diseñado para ejecutar tareas complejas de largo plazo (long-horizon work) sobre tu propia máquina. Funciona como un sistema multi-agente que coordina múltiples especialistas especializados: documentación, implementación de código, investigación, revisión, redacción creativa y automatización.
El núcleo del sistema es el "Turn Log" (historial de turnos), una base de datos SQLite que registra cada interacción con herramientas externas. Esto permite la recuperación completa tras un fallo, la reanulación de turnos interrumpidos o la edición de resultados de herramientas sin necesidad de persistencia externa.
La arquitectura se basa en tres principios fundamentales: todo es herramienta (archivos, shell, web, memoria, tablas, conocimiento), el modelo dirige el flujo y los logs son estado. Esto elimina la necesidad de diagramas de flujo o configuraciones complejas.
Soporta múltiples plataformas: web, escritorio (Tauri), CLI, TUI y aplicaciones de mensajería como Feishu/WeCom, con un solo motor central que ejecuta herramientas en el lado del cliente.
- Automatización de tareas repetitivas mediante cron jobs o triggers webhooks
- Creación de documentación técnica desde código fuente y comentarios
- Generación de presentaciones (slides) a partir de documentos o datos
- Análisis de código con revisión automática por agentes especializados
- Investigación profunda combinando búsqueda, contexto y síntesis
- Redacción de contenido largo (artículos, guías, novelas) en un solo flujo
- Gestión de proyectos completos: desde la planificación hasta el despliegue
- Automatización de flujos de trabajo empresariales con aprobación humana
- Multi-agente con especialización: cada agente (Document, Implementer, Researcher, etc.) opera en turnos aislados con contexto limitado, permitiendo especialización profunda
- File Stage integrado: edición unificada de documentos, código y archivos multimedia en una interfaz centralizada
- Human in the loop: aprobación humana antes de ejecutar comandos sensibles o conexiones externas
- Logs como estado persistente: recuperación total tras fallos mediante checkpoint en SQLite
- Modelo compatible con múltiples LLMs (Anthropic, OpenAI, DeepSeek, GLM, Qwen, Gemini) sin reconfiguración
- Sandbox seguro por defecto: aislamiento de procesos o contenedores para ejecutar comandos de alto riesgo
- Depende de una API LLM externa (llamada a la red), lo que introduce latencia y dependencia de servicios externos
- No incluye un motor de IA nativo: todo el razonamiento se realiza en el lado del cliente, limitando capacidades como razonamiento profundo o acceso a herramientas externas sin API
- La persistencia de datos depende de SQLite local; no hay sincronización entre máquinas ni respaldo automático
- El modelo requiere que el usuario configure manualmente la llave de API y los modelos preferidos
- No incluye un editor de código completo: se usa CodeMirror como herramienta, pero no es un IDE integrado
- La recuperación tras fallos depende del estado del Turn Log; si se pierde la base de datos local, no hay historial recuperable
Perfil de infraestructura
Estimación inicial derivada del repositorio y de los servicios detectados.
Despliegue detectado
Qué señales reales de instalación hemos encontrado.
Se ejecuta en modo autocontenido: el agente principal y todos los subagentes corren en un solo proceso con memoria compartida,Configuración inicial: se requiere una API LLM (OpenAI, Anthropic, etc.) configurada en la aplicación,Para producción recomendarse Dockerización del contenedor principal para aislamiento de recursos,La base de datos SQLite debe ser mantenida periódicamente con compaction o backup externo,El uso de IM como canal de comunicación (Feishu/WeCom) requiere configuración adicional por parte del usuario,Para entornos multi-institucionales, se recomienda el "Remote Hub" para compartir sesiones entre equipos sin necesidad de reconfigurar cada máquina,La seguridad por defecto es estricta: los comandos peligrosos requieren aprobación explícita antes de ejecutarse
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.