kazi-core
Kazi Core es un motor de agentes autogestionable, open-source y auto-alojable que convierte mensajes de chat en trabajo completado mediante un flujo de intención-plan-acción-aprobación-auditoría-recuerdo.
Ficha actualizada 26 sept 2026, 9:46 · upstream 26 sept 2026, 9:37 · release v0.5.0
Qué es kazi-core
Descripción editorial construida a partir del repositorio, su documentación y sus señales de mantenimiento.
Kazi Core es un motor de agentes autogestionable, open-source y diseñado para ejecutarse en tu propia infraestructura. Convierte mensajes de chat en trabajo completado siguiendo el flujo: intención → plan → actuar → aprobar → auditar → recordar. Funciona como un jefe de personal privado para tus herramientas, permitiendo automatizar tareas diarias sin que los datos salgan de tu entorno.
El sistema integra guardrails nativos con defensa contra inyección de prompts, sanitización de parámetros y puertas de riesgo, requiriendo aprobación humana antes de ejecutar acciones sensibles. Los flujos de trabajo son duraderos por diseño: sobreviven reinicios, las aprobaciones persisten tras fallos y cada acción sensible deja un recibo que se puede deshacer.
Soporta múltiples frameworks (Next.js, React, Django, Python) y servicios (PostgreSQL, Redis, S3/MinIO). La complejidad es MEDIA, requiriendo 4 núcleos CPU, 2GB RAM y 30GB disco. Incluye autenticación de contenedores con cosign y SBOM.
- Automatización de tareas personales: enviar emails, configurar recordatorios o bloquear calendarios mediante un solo mensaje de chat.
- Gestión empresarial: convertir pedidos de WhatsApp en facturas y recibos, con aprobación humana para cada paso financiero.
- Control de laboratorio doméstico: apuntar el sistema a tus servicios, scripts y APIs; el chat se convierte en plano de control.
- Automatización de tareas de desarrollo: crear issues, ejecutar builds, abrir PRs y supervisar despliegues automáticamente.
- Trabajos programados: vigilar bandejas de entrada para solicitudes de reembolso y redactar respuestas, pidiendo aprobación antes de enviar.
- Investigación con entrega de artefactos: generar informes formateados completos en lugar de listas de enlaces.
- Motor de agentes autogestionable con guardrails integrados y defensa contra inyección de prompts.
- Persistencia de flujos de trabajo tras reinicios; aprobaciones sobreviven a fallos del sistema.
- Sistema de memoria en 3 niveles para contexto duradero entre sesiones.
- Arquitectura modular con conectores plug-and-play que se registran automáticamente al reiniciar.
- Aprobaciones humanas obligatorias para acciones sensibles antes de la ejecución.
- Despliegue seguro con cosign y SBOM; contenedores firmados con SLSA provenance.
- Estado actual de acceso temprano (early access); cambios posibles antes de v1.0.
- Requiere configuración manual de claves API para LLM (Anthropic, DeepSeek, Hugging Face).
- Dependencias externas como servicios de pago y mensajería no están incluidos en el repositorio.
- Necesita 4 núcleos CPU, 2GB RAM y 30GB disco según especificaciones técnicas.
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.
Clonar repositorio, copiar .env.example a .env con clave LLM, ejecutar docker compose up --build -d; crear superusuario vía backend Django; acceder en localhost:8000; revisar CHANGELOG para breaking changes; usar scripts/demo.sh si no hay claves API.
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.