MVP 1

[miguelgfierro]

TODO: El output es el framework agéntica

• Revisar uv.lock @javier-alvarez PR chore: track uv.lock for reproducible installs #70
• Decidir el formato de release: CalVer https://github.com/fireflyframework/fireflyframework-agentic/releases/tag/v26.04.28
• pre commit hook Pre commit hooks #73
• Mover la parte de Studio a un nuevo repo feat: initial import of Firefly Agentic Studio fireflyframework-agentic-studio#1
• Definir el PR gate chore: reorganize tests by category and split PR-gate vs nightly #88
• Metodología de trabajo y de toma de decisiones técnicas: cómo hacemos PRs, cómo tests, guía de estilo, semantic convention de OpenTelemetry, ...
• Probar todos los módulos refactor(examples): drop _common.py, load API keys via python-dotenv #81
• Hacer un roadmap para los releases, tendremos un nightly release con el último main.
• Meter MLOps/DevOp/CI https://github.com/fireflyframework/fireflyframework-genai/tree/main/tests ci: only run on pull_request, drop push to main #80 ci: fix release workflow after studio extraction #79 chore: reorganize tests by category and split PR-gate vs nightly #88 ci(nightly): auto-create/comment tracking issue on failure #89 fix(tests): repair nightly perf benchmarks (asyncio + plain functions) #91
• Decidir cómo gestionar y conectar la librería de forma fácil con uv o PyPi
• Revisar modulo de experimentación: benchmark, etc
• Considerar finetuning/RL, tanto para modelo como para prompt. Mirar https://hai.stanford.edu/news/textgrad-autograd-text
• Revisar deployment, el activo que construye el genai framework es un docker image que se despliega en K8S -> Hablar con Angel Luis para conectar K8S.
• Revisar código para que sea más pythonic.
• Revisar la documentación que no está sincronizada.
• Guía de estilo, hay mucho código defensivo

Aplicaciones finales prioritarias

1. Process mining integrado: data acquisition. Crear integraciones con Zoom, Meets para que grabe sesiones, haga transcrips, otra pase el video a una VLM, esto genera un raw donde se hacen análisis. Esto enriquece la KB. También extrae el conocimiento tácito de cada persona. Parecido a Celonis. Esto tiene que seguir la notación BPMN (Business Process Model Notation), estandar de empresas para hacer el diagramado de personas, procesos, etc. Tiene que haber un process engine que clasifique la data con esta notación. Nosotros hacemos el transcript, a través de un plugin que tenemos que invitar a la reunión, con elevenLabs o similar. MVP 1 Process mining + Knowledge base customer 1 #77
2. Knowledge base repository: LLM wiki++ (parecido al proyecto de Karpathy). Todavía no está aterrizado cómo se va a guardar la info. Proceso de ETL, estructurar datos, normalización. -> empezar algo sencillo: frontmatter, sqlite, etc MVP 1 Process mining + Knowledge base customer 1 #77
3. FlyDesk: backoffice agéntico, permite usar agentes para operar sistemas como CRMs, apps, sistemas de email marketing (cualquier cosas que tenga una API...) -> beneficio: puedes automatizar procesos y reducir personal.
4. Intelligent Document Processing (IDP): crear procesos documentales para extraer información de documentos, es genérico para cualquier tipo de industria.

Aplicaciones finales secundarias

1. Gestor agentic market intelligence: Scrapear datos internos y externos, aprenden de los mejores, y crea un digital twin que apoye al trabajador.
2. Crear Studio migrado a Angular Migrar el front a Angular fireflyframework-agentic-studio#2
3. Crear una factoría de software para poder hacer aplicativos y PoCs de forma ágil.

Contexto

• Hay dos entornos: preproducción y producción entre los diferentes frameworks de firefly
• Plataforma sería la parte visual, y el framework sería esta repo con SDK...
• El target a compilar sera ARM en vez de x86_64, estamos usando imagenes para la cpu de graviton de aws que se basan en ARM como arquitectura, por que el coste de graviton arm es menor que cualquier imagen/contenedor x86_64

[miguelgfierro]

Plan con Taidy:

1. Guille va a hacer un pr de prompt y agentes feat: Refactor prompt template system — split system/user templates, YAML-based loading #85
2. Javi y Miguel van a probar los módulos necesarios para MVP 1 Process mining + Knowledge base customer 1 #77
3. Por ahora vamos a dejar el DAG fuera, y luego ya decidiremos
4. Iteramos y vamos decidiendo qué hacemos con cada módulo