PullNexus

Registro respaldado por GitHub y CLI para recursos de IA locales. Busca, descarga y envía habilidades, herramientas, plantillas, conjuntos de datos y artefactos de flujo de trabajo reutilizables.

Inicio rápido

pip install pullnexus

Busca en el registro:

pullnexus search "fine-tune 35B on consumer GPU"
pullnexus search "local agent loop" --type skill

Explora lo que está disponible:

pullnexus list-skills --type dataset
pullnexus pull local-rag-starter-pack

Inicia un envío:

pullnexus submit --interactive --type skill
# or open an issue: github.com/MRWillisT/PullNexus/issues/new/choose

Registro actual: 156 recursos en 10 tipos de recursos: habilidades, herramientas, plantillas, manuales (playbooks), políticas, prompts, conjuntos de datos, entornos, evaluaciones y repositorios.

1. Visión

Los modelos locales están mejorando rápidamente, pero el flujo de trabajo que los rodea sigue estando fragmentado. Los prompts útiles, ejemplos en JSONL, definiciones de herramientas, plantillas, notas de hardware y conjuntos de evaluación están dispersos en repositorios, gists y registros de chat.

PullNexus empaqueta esos artefactos en un formato de registro consistente que puede buscarse desde una CLI hoy en día y extenderse por otros clientes con el tiempo. El objetivo práctico es simple: encontrar un recurso relevante, inspeccionar sus metadatos, descargarlo si es instalable o usarlo como material de referencia para tu propia configuración local.

Es una capa de distribución pequeña y abierta para flujos de trabajo de IA locales, en lugar de un host de modelos, una plataforma de agentes alojada o una galería de prompts.

2. ¿Por qué ahora?

Varios elementos han madurado al mismo tiempo:

• Las herramientas de inferencia local como Ollama, llama.cpp, LM Studio y vLLM son ahora partes normales de los flujos de trabajo de los desarrolladores.

• Más personas mantienen la inferencia local porque el precio, la privacidad y la latencia importan en el uso diario.

• El material reutilizable en torno a esos flujos de trabajo todavía carece de un hogar estándar. Los modelos y conjuntos de datos tienen centros; los artefactos operativos generalmente no.

• La mayoría de las herramientas adyacentes resuelven la orquestación en tiempo de ejecución o el alojamiento de modelos, no el descubrimiento y la reutilización de bloques de construcción más pequeños como habilidades, manuales, plantillas o evaluaciones.

Eso hace que un registro tipado y orientado a la descarga sea útil incluso a una escala modesta.

3. Cómo funciona

1. Los recursos se indexan en skills/index.json con metadatos tipados.

2. La CLI puede buscar en el registro, filtrar por tipo/categoría/etiqueta y descargar recursos instalables.

3. Los colaboradores pueden enviar a través de GitHub o generar una carpeta de borrador con el asistente interactivo.

4. Los recursos permanecen versionados, etiquetados y revisables en el repositorio.

5. El mismo esquema puede admitir clientes e integraciones más ricos más adelante.

Flujo de trabajo de contribución

Los recursos no necesitan comenzar como "habilidades". Un conjunto de conversaciones en JSONL útil, un manual de despliegue, una plantilla de modelo, un documento de política, una referencia de herramienta o un perfil de entorno pueden pasar por el mismo formato de registro.

En la práctica, muchas entradas provienen del trabajo real en proyectos: algo se vuelve reutilizable, se documenta y se agrega al registro con metadatos y archivos de soporte opcionales.

Superficie de la CLI

Comandos públicos actuales:

pullnexus search rust debugger --type skill
pullnexus list-skills --category automation
pullnexus pull local-rag-starter-pack
pullnexus submit --interactive --type playbook

Algunos tipos de recursos son paquetes de archivos instalables; otros son entradas de referencia que apuntan a repositorios externos, conjuntos de datos o documentación.

4. Cómo es realmente una habilidad

Esta es la estructura de carpetas para una habilidad: esto es lo que la gente envía:

skills/python-advanced-debugging/
├── skill.json          → Metadata (name, description, tags, version, license)
├── examples.jsonl      → JSONL conversation pairs or training examples
├── README.md           → Human-readable explanation and usage notes
├── eval.jsonl          → Test cases to verify the skill behaves as expected
└── tools/              → Optional MCP tool definitions

Ejemplo de skill.json:

{
  "name": "python-advanced-debugging",
  "version": "1.2.0",
  "description": "Expert techniques for memory leaks, pdb, and tracing in Python",
  "tags": ["python", "debugging", "development"],
  "license": "CC0-1.0",
  "evaluation_cases": 12,
  "mcp_compatible": true
}

La estructura es intencionalmente simple para que la revisión, la reutilización y la validación sigan siendo directas.

5. Superficie actual

Disponible hoy

• Registro respaldado por GitHub con 156 recursos indexados en 10 tipos de recursos

• Comandos de CLI públicos para búsqueda, descarga/instalación, listado y andamiaje de envíos

• Asistente de envío interactivo que genera carpetas de recursos y valida metadatos

• Soporte de esquema para habilidades, herramientas, plantillas, políticas, manuales, prompts, conjuntos de datos, entornos, evaluaciones y repositorios

• Obtención de registro local/remoto para que la CLI pueda degradarse correctamente cuando GitHub no está disponible

• Carpetas de habilidades construidas alrededor de archivos simples: metadatos, ejemplos en JSONL, README y definiciones opcionales de evaluación/herramienta

Modo de asistente MCP

Cualquier asistente de IA conectado al servidor MCP de PullNexus puede usar el registro en vivo durante la conversación en lugar de responder solo desde el conocimiento general de fondo.

• Buscar en el registro mientras ocurre la conversación

• Recomendar recursos específicos basados en la pila, el problema o el objetivo del usuario

• Descargar recursos instalables localmente sin salir del chat

• Enviar comentarios de compatibilidad después de que un flujo de trabajo tenga éxito o falle

Ejemplo de prompt para una demostración sólida de antes/después:

I’m building a fully local RAG pipeline for PDFs with Ollama. Retrieval quality is bad, chunking feels wrong, and I want something concrete I can inspect or install. What should I use?

Sin PullNexus, la mayoría de los asistentes dan consejos generales sobre marcos de RAG y tamaño de fragmentos. Con PullNexus MCP conectado, el asistente puede buscar en el registro en vivo, recomendar recursos concretos como local-rag-starter-pack y rag-eval-baseline, y ofrecer descargarlos en una carpeta local inmediatamente.

Otros buenos prompts de demostración son aquellos que incluyen una pila real más un modo de falla: la depuración de RAG local, la orquestación de agentes, la integración de MCP o la depuración de Python funcionan bien.

Trabajo a corto plazo

• Exponer las superficies de comandos empaquetadas adicionales de manera más limpia en la CLI principal

• Mejorar la documentación de integración de MCP/cliente

• Ajustar la validación, la revisión y los informes de compatibilidad en torno a los recursos enviados

• Mejorar la experiencia de usuario de navegación y filtrado del registro

• Agregar más automatización en torno a la publicación y las comprobaciones de calidad

6. Posicionamiento

PullNexus se sitúa entre los repositorios sin procesar y los productos de plataforma completos. No intenta alojar modelos ni reemplazar los tiempos de ejecución de agentes. Su trabajo es más limitado: mantener los recursos de IA locales reutilizables en un formato que se pueda buscar con suficientes metadatos para que sean fáciles de descubrir y reutilizar.

7. Desafíos y mitigaciones

8. Gobernanza

PullNexus es mantenido actualmente por una persona. Las decisiones sobre el formato del registro, las reglas de contribución y la moderación se toman abiertamente en el repositorio a través de problemas (issues) y solicitudes de extracción (pull requests). Eso mantiene el proyecto directo: decisiones rápidas, justificación pública y un rastro documental claro.

Si el proyecto crece hasta convertirse en un esfuerzo real de múltiples mantenedores, la gobernanza puede expandirse a un modelo de mantenedor ligero con roles y reglas de decisión documentados. Por ahora, la prioridad es simple: mantener los estándares claros, mantener el proceso público y mantener el proyecto útil.

9. Aspectos destacados del registro

Algunos puntos de entrada que vale la pena conocer:

• autonomous-agent-training-pack — más de 160 ejemplos sintéticos en JSONL, 16 temas, divisiones de entrenamiento/validación/prueba listas para usar

• synthetic-general-training-pack — más de 110 ejemplos de entrenamiento de propósito general para codificación, razonamiento, documentos y web

• agent-role-orchestrator / agent-role-coder / agent-role-reviewer — prompts del sistema para una configuración local completa de múltiples agentes

• local-agent-system-blueprint — guía para principiantes para construir un sistema de agentes autónomos local

• multi-agent-roles-template — configuración de roles JSON para un sistema local de 5 agentes listo para usar

• vibe-coder-workflow — el ciclo completo de constructor autodidacta, desde una idea vaga hasta código funcional

• qwen3-35b-12gb-llama-server — configuración de llama-server contribuida por la comunidad para Qwen3 en 12GB de VRAM

• kv-cache-vram-best-practices — política de optimización de VRAM para el ajuste de caché KV

• n8n-mcp-workflows / autonomous-agent-payments — entradas del ecosistema MCP

Busca en el registro para explorar las 155 entradas: pullnexus list-skills

10. Hoja de ruta a corto plazo

11. Sobre el mantenedor

PullNexus es mantenido por un desarrollador que ha pasado aproximadamente un año y medio trabajando en proyectos reales asistidos por IA. El proyecto surgió de problemas de reutilización repetidos: los prompts útiles, los ejemplos en JSONL, las notas de despliegue y las referencias de herramientas seguían apareciendo en formatos ad hoc sin un lugar claro para estandarizarlos.

Es por eso que el repositorio está sesgado hacia artefactos prácticos y archivos simples. El objetivo no es presentar una gran visión de plataforma primero; es hacer que el material de IA local reutilizable sea más fácil de empaquetar, revisar, encontrar y usar.

Busca en el registro. Descarga lo que encaje. Envía lo que ayudó.