PT-Edge — Inteligencia de infraestructura de IA

PT-Edge es una caché de razonamiento precalculada para decisiones de infraestructura de IA. Rastrea más de 220.000 repositorios de IA en GitHub, PyPI, npm, Docker Hub, HuggingFace y Hacker News, los califica diariamente según su calidad y publica los resultados como un sitio de directorio de más de 220.000 páginas.

El sitio sirve a dos audiencias: agentes de IA que leen páginas en nombre de humanos (estructuradas, con información relevante al principio, legibles por máquina) y humanos que leen directamente (navegables, confiables, análisis original). Cada página está diseñada para que un agente de IA pueda acceder a ella y obtener una recomendación confiable y citable en una sola pasada.

La infraestructura de rastreo de todos los principales laboratorios de IA trata al sitio como una fuente de datos primaria. Los registros de acceso son en sí mismos una capa de inteligencia: consulte Demand Radar a continuación.

Sitio del directorio: mcp.phasetransitions.ai — más de 220.000 páginas en 17 dominios con más de 2.400 categorías, actualizadas diariamente.

Creado por Graham Rowe

Cómo funciona

1. Ingesta — el pipeline diario extrae estadísticas de GitHub, descargas de paquetes, lanzamientos, publicaciones de HN, modelos/conjuntos de datos de HuggingFace y datos de registro

2. Puntuación — puntuación de calidad compuesta (0-100) a partir de cuatro dimensiones: mantenimiento, adopción, madurez, comunidad

3. Enriquecimiento — resúmenes técnicos generados por LLM, evaluaciones centradas en el profesional y análisis comparativos a partir de archivos README

4. Publicación — generación de sitio estático en 17 dominios con datos estructurados, enlaces internos y señales de frescura

5. Observación — el análisis del tráfico de bots revela lo que valora el ecosistema de IA (Demand Radar)

Todo el sistema se ejecuta en una única instancia de servidor por menos de 300 dólares al mes.

Related MCP server: agent101-mcp

Puntuación de calidad

Niveles: Verificado (70-100), Establecido (50-69), Emergente (30-49), Experimental (10-29)

Demand Radar

Cada visita de un bot al sitio es inteligencia latente. Los registros de acceso contienen tres capas de señales:

• Bots de indexación (Meta, Anthropic, Amazon, Google, Perplexity, OpenAI) — lo que las empresas de IA consideran valioso en futuros pesos de modelos. Cada bot tiene una estrategia de rastreo distinta que revela las prioridades de su empresa matriz.

• Bots de acción del usuario (ChatGPT-User, OAI-SearchBot, Perplexity-User) — lo que los humanos reales están preguntando a la IA en este momento. Cada visita representa a un profesional tomando una decisión tecnológica a través de un intermediario de IA.

• Visitantes humanos — lo que la gente encuentra directamente a través de los motores de búsqueda.

El Demand Radar extrae estas señales y las introduce en la priorización de contenido, eventualmente a través de modelos de ML entrenados en lugar de pesos ajustados manualmente. Consulte scratch/demand-radar/ para obtener el análisis completo.

Stack

Python, FastAPI, PostgreSQL + pgvector, enriquecimiento con LLM (múltiples proveedores), generación de sitio estático mediante Jinja2 + Tailwind CSS. Alojado en Render. Herramientas MCP y API REST para acceso programático.

Desarrollo

Este es un sistema de producción sin entorno de pruebas (staging). La base de datos es una instancia de PostgreSQL en vivo de más de 1 GB: las consultas acceden a datos reales. Consulte docs/development.md para notas de configuración y reglas de seguridad.

Documentación

• docs/strategy.md — posicionamiento estratégico y razonamiento

• docs/roadmap.md — plan de construcción por fases

• docs/design/worker-architecture.md — diseño de cola de tareas y trabajadores

• docs/development.md — configuración de desarrollo y seguridad de la base de datos

• scratch/demand-radar/ — análisis de inteligencia de registros de acceso

Licencia

MIT — consulte LICENSE.