model-compose
model-compose define pipelines de IA declarativos en un único archivo YAML, inspirado en docker-compose. Soporta modelos locales o APIs cloud, agentes autónomos, RAG y servidores MCP.
Ficha actualizada 26 sept 2026, 4:11 · upstream 26 sept 2026, 3:56 · release v0.4.0
Qué es model-compose
Descripción editorial construida a partir del repositorio, su documentación y sus señales de mantenimiento.
model-compose es una herramienta para desplegar servicios de IA listos para producción en minutos utilizando un único archivo YAML. Elimina la necesidad de escribir código de aplicación o boilerplate de frameworks, permitiendo definir flujos de trabajo con modelos, agentes y herramientas como bloques intercambiables. Está diseñado bajo cuatro principios: composabilidad, portabilidad, enfoque híbrido (puente entre APIs cloud y modelos locales) y natividad en streaming.
- API de chat que llama a GPT-4o o modelos locales vía HTTP
- Agente autónomo ReAct para investigación web con uso de herramientas
- Pipeline RAG completo con embedding, búsqueda vectorial y generación
- Servidor MCP para exponer flujos de trabajo a LLMs como Claude
- Procesamiento multimedia en streaming (video a frames, TTS real-time)
- Automatización web con headless browser y scraping
- Configuración declarativa sin boilerplate de código Python
- Soporte multi-proveedor (HuggingFace, OpenAI, vLLM) en un mismo archivo
- Streaming nativo de datos (tokens, audio, frames) como valores de primera clase
- Despliegue flexible: Docker, nativo, virtualenv o proceso
- UI instantánea con Gradio configurada vía YAML
- Escalabilidad horizontal con colas Redis para distribución
- Requiere Python 3.10+ según los badges de versión
- No incluye Dockerfile por defecto, necesita configuración runtime explícita
- Gestión de claves API en variables de entorno (requiere seguridad externa)
- Dependencia de instaladores como uv o pip para la instalación inicial
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.
Instalar con uv o pip. Para desarrollo local usar model-compose up, que inicia el servidor y UI en :8081. Para producción añadir bloque runtime: docker en el YAML. Escalar horizontalmente añadiendo colas Redis en el bloque controller.queue. Asegurar variables de entorno para claves API antes de ejecutar.
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.