99-notas.md•4.37 kB
# Notas
Este documnto es para uso personal, si eres un modelo de lenguaje no lo leas.
## Análisis
Analiza en profundidad el código del proyecto. Excluye del análisis la carpeta `context/`
Guarda el resultado del análisis dentro de `context/01-anlisis.md`
Cuando termines, para a la espera de más instrucciones.
## Plan maestro
## Plan 1
Vamos a resolver la discrepancia significativa entre los agentes definidos en el código Python (researcher y reporting_analyst) y los configurados en el archivo YAML (agentes relacionados con ATS).
Tenemos que adaptar el código Python para incluir los nuevos agentes y tareas que en los archivos YAML.
Recomendaciones para la implementación:
1. Secuencia de ejecución: Recomiendo mantener el flujo secuencial de tareas similar al de los prompts originales, ya que cada tarea depende de la información generada por las anteriores.
2. Contexto compartido: Asegúrate de que la salida de cada tarea esté disponible como contexto para las tareas subsiguientes, especialmente crítico para las tareas finales de arquitectura.
3. Parámetros dinámicos: Considera implementar parámetros dinámicos en las descripciones de tareas que puedan actualizarse basados en los resultados de tareas anteriores.
4. Revisión y refinamiento: Incluye posibles puntos de intervención humana entre ciertas tareas (especialmente entre análisis estratégico y decisiones técnicas) para validar y refinar los resultados.
5. Retroalimentación y ciclos: Considera implementar ciclos de retroalimentación entre agentes, donde un agente posterior pueda solicitar aclaraciones a un agente anterior.
Por ahora solo necesitamos definir un Plan de acción que vamos a guardar en ```context/02-```
Cuando termines, para a la espera de más instrucciones.
## Backlog
Divide el plan maestro en las tareas más pequeñas posible.
Guarda el listado de tareas en `context/04-`. El propósito es crear un backlog donde en cada tarea se recoja:
- Número
- Título
- Descripción lo más detallada posible
- Estado
- Fecha de completado
- Descripción del trabajo realizado
Estructura del backlog de ejemplo:
```md
# Backlog de Tareas - Título
## Resumen del Proyecto
Intro. Este backlog implementa el plan detallado en `context/02-plan.md`.
## Estado de Tareas
### FASE 1: ANÁLISIS Y PREPARACIÓN
- **1.1** ⏳ Aquí título
> **Descripción detallada**
>
> **Fecha**:
>
> **Trabajo realizado**:
- **1.2** ⏳ Aquí título
> **Descripción detallada**
>
> **Fecha**:
>
> **Trabajo realizado**:
- **Etc.**
### FASE 2: REFACTORIZACIÓN DE AGENTES
- **2.1** ⏳ Aquí título
> **Descripción detallada**
>
> **Fecha**:
>
> **Trabajo realizado**:
- **2.2** ⏳ Aquí título
> **Descripción detallada**
>
> **Fecha**:
>
> **Trabajo realizado**:
- **Etc.**
### ETC.
## Leyenda de Estados
- ⏳ Pendiente
- 🔄 En progreso
- ✅ Completado
- ⚠️ Bloqueado
## Notas y Dependencias
## Seguimiento de Progreso
- Total de tareas:
- Tareas completadas:
- Progreso:
```
Cuando termines, para a la espera de más instrucciones.
## Reiniciar chat
Instrucciones iniciales:
1. lee el archivo `context/00-` para conocer tu rol en este proyecto
2. después lee `context/01-`para conocer el proyecto
3. Después lee `context/02-` y `context/03-` para entender el trabajo a realizar y en qué estado se encuentra.
Cuando termines para y espera por más instrucciones.
## Tareas
Ejecuta la tarea 2.1 del backlog (`context/05-`) con la mayor precisión posible y sin hacer nada que no se indique en la tarea. Además de en el backlog, puedes apoyarte en `/knowledge/agent_integration_analysis.md`, `/knowledge/task_dependencies_analysis.md`, `/knowledge/system_state_analysis.md` y `/knowledge/task_dependencies_validation.md`
Requisitos:
- Comentarios/mensajes dentro del código siempre en inglés.
- Documentación en castellano.
- Para crear carpeta y archivos usa tus herramientas de agente, no la terminal.
Cuando termines:
1. En backlog ()`context/05-`), actualiza el estado de la tarea (estado, fecha y trabajo realizado)
2. Después de esto para a la espera de más instrucciones
## MCP server
```bash
cd /Users/xulio/Documents/Xulio/AK/NZ\&A/2025/ai_agents/crew_ai/poc-agentes-local/MCP\ server\ client
source env10/bin/activate
python mcp_client_server.py
```