iris-core
Agente de IA auto-alojado para Slack/Telegram que escribe su propio código en tiempo de ejecución mediante skills dinámicas, soporta múltiples proveedores LLM y ofrece aislamiento opcional con Firecracker microVMs.
Ficha actualizada 24 sept 2026, 11:40 · upstream 24 sept 2026, 11:09 · release v1.11.1
Qué es iris-core
Descripción editorial construida a partir del repositorio, su documentación y sus señales de mantenimiento.
Iris-core es un agente de inteligencia artificial diseñado para ejecutarse en entornos auto-alojados, extendiéndose a sí mismo mediante la escritura y despliegue de código en tiempo de ejecución. Funciona como un operador de IA que nunca se retira, capaz de ejecutar comandos, provisionar infraestructura y desplegar flotas de sub-agentes especializados encapsulados en microVMs Firecracker opcionales.
El sistema soporta tres transportes principales: Slack, Telegram e una interfaz web integrada opcional. Es agnóstico respecto al proveedor del modelo de lenguaje, permitiendo el uso de Anthropic, OpenAI, Azure AI Foundry o AWS Bedrock mediante variables de entorno. Incluye mecanismos de auto-sanación, compresión automática del contexto y escalada resiliente ante fallos.
La gestión de secretos es segura por defecto, utilizando un almacén local cifrado o una inyección proxy externa. La arquitectura permite la integración de servidores MCP para herramientas externas y ofrece niveles de aislamiento que van desde el host hasta contenedores Docker o microVMs con KVM.
- Automatización de flujos de trabajo empresariales dentro de canales de Slack o Telegram sin necesidad de reconfiguración manual.
- Creación dinámica de sub-agentes especializados para tareas específicas como conversión de archivos, gestión de infraestructura o análisis de datos.
- Despliegue de herramientas de desarrollo que se auto-compilan y prueban en un entorno aislado mediante skills hot-reloadables.
- Punto de entrada para integrar servicios externos mediante servidores MCP sin modificar el motor principal del agente.
- Capacidad de autodespliegue de habilidades (skills) que se escriben y prueban en tiempo de ejecución sin necesidad de redespliegue manual.
- Arquitectura de defensa en profundidad con soporte opcional para Firecracker microVMs con límites de KVM hardware.
- Agnóstico proveedor de LLM que permite cambiar entre Anthropic, OpenAI, Azure o AWS mediante variables de entorno.
- Gestión segura de secretos mediante almacenamiento cifrado local (IRIS_SECRETS_MODE=store) o inyección proxy externa.
- Diseño durable donde GitHub actúa como fuente de verdad para el código persistente y las habilidades personalizadas.
- Mecanismos de auto-sanación con compresión automática del contexto y escalada resiliente ante fallos transitorios.
- Dependencia inicial de una máquina Linux con al menos 4 núcleos CPU y 4GB de RAM para el despliegue nativo.
- No soporta despliegue en contenedores nativos ni Kubernetes sin configuración adicional mediante flags específicos.
- La complejidad técnica es alta, requiriendo conocimientos de administración de sistemas para configurar correctamente los niveles de sandboxing.
- Las habilidades personalizadas deben almacenarse en un repositorio privado de GitHub; nunca se debe usar un repositorio público.
- El despliegue requiere configuración manual de tokens de Slack o Telegram durante el proceso de bootstrap interactivo.
Capturas del proyecto
Imágenes reales detectadas en la documentación del repositorio.
Perfil de infraestructura
Estimación inicial derivada del repositorio y de los servicios detectados.
Despliegue detectado
Qué señales reales de instalación hemos encontrado.
Ejecutar el script de instalación oficial en una máquina Ubuntu 22.04 o similar. Asegurar que IRIS_API_HOST esté restringido a 127.0.0.1 por defecto para seguridad, activando siempre un token API si se expone internamente. Configurar los tokens de Slack o Telegram durante el bootstrap interactivo y establecer una copia privada en GitHub para almacenar las habilidades personalizadas, evitando nunca usar repositorios públicos.
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.