keystone
Keystone es un sistema de inferencia de modelos de lenguaje abierto y agentes de programación determinísticos, autocontenido en Docker Compose con capacidad de aislamiento de red.
Ficha actualizada 22 sept 2026, 18:28 · upstream 22 sept 2026, 17:15 · release sin release detectada
Qué es keystone
Descripción editorial construida a partir del repositorio, su documentación y sus señales de mantenimiento.
Keystone es una plataforma open source que ofrece dos características principales: inferencia de modelos de lenguaje abiertos (GLM-5.3-Flash, Qwen2.5-Coder, DeepSeek-R1) a través de un gateway compatible con OpenAI, y agentes de programación determinísticos que ejecutan tareas en entornos aislados sin depender de APIs externas. El sistema se despliega completamente localmente mediante Docker Compose, permitiendo ejecutarlo en laptops, servidores cloud o infraestructura on-premise. Su arquitectura incluye un gateway FastAPI, un agente de planificación basado en LangGraph, un sandbox con gVisor para ejecución segura, y un servicio vLLM para servir modelos. Keystone no inventa repositorios ni código; se conecta a un git server real (o Gitea local) para clonar, editar y verificar el trabajo del usuario antes de enviarlo a un modelo frontier.
- Entornos aislados: ejecutar inferencia de modelos en servidores sin conexión a internet o con acceso restringido
- Desarrollo seguro: validar código generado por agentes antes de enviarlo a un modelo frontier para generación final
- Aislamiento de datos: mantener repositorios y datos sensibles fuera del entorno público del sistema
- Reducción de costos: ejecutar modelos open-weight en infraestructura propia sin depender de APIs pagas
- Auditoría de código: rastrear cada tarea de programación con registro de acciones, revisiones y resultados determinísticos
- Entornos multi-tenant: escalar el sistema para múltiples usuarios o proyectos a través de roles y límites de tokens por usuario
- Modelos abiertos: GLM-5.3-Flash, Qwen2.5-Coder y DeepSeek-R1 son modelos open-weight que no requieren API ni weights compartidos
- Determinismo verificable: cada tarea de programación pasa por linting, typecheck, seguridad y tests reales antes de considerarse 'completada'
- Aislamiento total: el sandbox con gVisor permite ejecutar código en entornos aislados sin necesidad de KVM o hardware dedicado
- Escalabilidad real: el mismo código Docker Compose funciona para un solo servidor, múltiples GPUs (vLLM) o despliegues Kubernetes completos
- API OpenAI compatible: el gateway ofrece completions chat y programación con la misma interfaz que los modelos open-weight
- Fine-tuning propio: se puede entrenar modelos personalizados en repositorios propios mediante LoRA/SFT/DPO sin dependencias externas
- No es un modelo de lenguaje por sí mismo: requiere un backend vLLM o GPU para generar texto, no es una API directa
- Dependencia del git server: los agentes determinísticos requieren acceso a un repositorio real; sin él no se ejecutan tareas
- Fine-tuning aún en desarrollo: la capacidad de entrenar modelos personalizados con repositorios propios no ha sido validada en GPU real
- No es un IDE completo: el agente interactivo requiere configuración manual y no reemplaza herramientas como Cursor o VS Code
- Costo variable por GPU: aunque el costo del modelo es fijo, el uso de GPUs depende de la carga de trabajo y puede requerir hardware adicional
Perfil de infraestructura
Estimación inicial derivada del repositorio y de los servicios detectados.
Despliegue detectado
Qué señales reales de instalación hemos encontrado.
Instala con `docker-compose up -d` usando `.env.example`. Configura variables como POSTGRES_PASSWORD, REDIS_PASSWORD y QDRANT_API_KEY. Para aislamiento de red completo, añade el paso de despliegue 'air-gapped' que desactiva la conexión a internet tras el arranque del cluster. El sandbox se inicia con `make sandbox-images` antes de ejecutar cualquier tarea determinística. Escala desde un solo nodo hasta múltiples GPUs mediante vLLM o Kubernetes con KEDA autoscaling.
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.