praxis
Repositorio técnico para operar flotas de agentes AI auto-alojados en hardware real (DGX Spark), con documentación basada en experiencia de producción, benchmarking honesto y arquitectura de memoria vectorial BrainDB.
Ficha actualizada 23 sept 2026, 22:15 · upstream 23 sept 2026, 22:07 · release sin release detectada
Qué es praxis
Descripción editorial construida a partir del repositorio, su documentación y sus señales de mantenimiento.
Praxis es una colección de documentación técnica y recetas para desplegar flotas de agentes de IA en hardware propio, con énfasis en métricas verificables y lecciones aprendidas de producción. Incluye patrones de operación para gestión de GPU compartida, sistemas de memoria vectorial nativos (BrainDB/SQLite), monitorización forense de flotas y auditoría de deriva en modelos.
El repositorio cubre desde la arquitectura de conocimiento con siete almacenes y pruebas de admisión hasta la delegación segura entre agentes con límites de paralelismo. Incluye documentación específica para hardware DGX Spark, gestión de sesiones, recuperación de fallos silenciosos y patrones de actualización blue-green sin forking.
Destaca por su enfoque en atribución explícita de recetas, métricas con scripts abiertos y lecciones que no costaron dinero. No incluye Docker ni Compose; usa Next.js/Node.js como frameworks principales. Requiere sanitización manual de datos privados antes de producción.
- Despliegue de flotas de agentes AI en hardware propio con métricas verificables
- Implementación de sistemas de memoria vectorial para agentes (BrainDB)
- Gestión de GPU compartida con leases y reapers
- Monitorización pasiva de flotas con detección de fallos silenciosos
- Patrones de delegación entre agentes con límites de paralelismo
- Auditoría de deriva en modelos con gates de verificación
- Documentación basada en experiencia real de producción (no demos)
- Métricas de rendimiento con scripts abiertos y atribución explícita
- Arquitectura de memoria vectorial nativa SQLite con búsqueda gráfica
- Patrones de fallo abierto para plugins sin forking del agente
- Gestión de GPU compartida con TTLs y checkpoints de regresión
- Monitorización forense con análisis de UPS y firmas de muerte
- Requiere hardware específico (DGX Spark) para algunas recetas
- No incluye contenedores Docker ni Compose preconfigurados
- Complejidad HIGH con 4 núcleos CPU y 8GB RAM mínimos
- Dependencia de Elasticsearch para capas iniciales de conocimiento
- Requiere sanitización manual de datos privados antes de producción
Perfil de infraestructura
Estimación inicial derivada del repositorio y de los servicios detectados.
Despliegue detectado
Qué señales reales de instalación hemos encontrado.
Usar Next.js/Node.js en entorno nativo sin Docker. Configurar BrainDB con SQLite y vector search habilitado. Implementar leases GPU con TTLs y reapers activos. Activar monitorización pasiva con firmas de muerte definidas. Atribuir todas las recetas y checkpoints a sus autores originales.
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.