Hola DEV, soy Marco. Hace cuatro meses comencé a desarrollar OrKa, un motor de orquestación modular definido por YAML para razonamiento agente. Hoy no es solo un prototipo: es un sistema funcional con memoria en vivo, flujos explicables y un constructor visual, pero ya es demasiado para una sola persona mantenerlo.
Trabajo en solitario con un solo repositorio. OrKa se ha convertido en una pila de infraestructura cognitiva: capas de memoria estructurada, colas Redis y Kafka, cadenas de agentes trazables, una interfaz visual y bucles de orquestación medidos. La versión 0.8.0 funciona. Aun así es una lucha y necesito ayuda.
Por qué existe OrKa: acabar con la IA caja negra LangChain, Flowise y AutoGen montan cadenas y lo llaman cognición, pero si intentas rastrear memoria entre agentes, entender por qué se tomó un paso o observar razonamiento en tiempo real, no puedes. OrKa es distinto: agentes modulares con lógica y memoria independientes, flujos de cognición definidos en YAML en lugar de scripts enmarañados, registro trazable en Redis y Kafka para cada decisión de agente, interfaz observable y TUI terminal, modelo de memoria de seis capas con decaimiento y almacenamiento por alcance, y enrutamiento ponderado por confianza para simular razonamiento dinámico. Esto no es encadenado de prompts, es orquestación cognitiva explicable, comprobable y local.
Qué funciona en OrKa 0.8.0 Ejecución fork y join con rutas dinámicas, puntuaciones de confianza por agente y síntesis de acuerdo, logging compatible con Redis y Kafka, OrKaUI visual con sincronización YAML, soporte local y por API, ServiceNodes como RAG MemoryWriter y fetchers de embeddings, benchmarks: 1000 bucles con latencia media 7.6s y coste aproximado 0.00011 centavos por ejecución en DeepSeek 32B.
Pero esto tiene problemas reales Esto es código abierto de verdad. Estoy ahogado en varios frentes: alcance de memoria funcional pero v0.8.0 necesita un fallback simple usando GET y SET de Redis; la clase Orchestrator está hinchada y requiere separación modular; huecos en la UI: nodos de memoria son plantillas, la reproducción de trazas funciona a medias; documentación desactualizada y ejemplos dispersos en la carpeta examples; poca visibilidad en comunidades como Reddit o X; y el infierno de ser desarrollador en solitario escribiendo infraestructura, arreglando bugs de YAML, respondiendo en Discord y además criando tres hijos.
Qué puedes hacer hoy Construir SimpleMemory en src/memory/simple.py usando SET y GET de Redis y dejar de lado la sobrecarga de Kafka, mejorar la lógica de fallback para LLM pequeños. Limpiar la base de código separando src/orchestrator.py en módulos más pequeños, añadir ruff y mypy y aplicar linting estricto, mejorar el logging diferenciando agente y orquestador. Contribuir con nodos o agentes: añadir un PlannerAgent, extender RAGNode con soporte para Pinecone y Chroma, crear MemoryVisualizerNode para la UI. Escribir documentación real: docs/architecture.md, pulir examples/fact_checker.yaml y crear quickstart.md para no ingenieros. Difundir el proyecto: comparte tu flujo en X Reddit y Discord, publica una orquestación YAML propia y úsalo en hackathons.
La IA no debería ser una caja negra. Si no puede trazarse no debería inspirar confianza. OrKa busca construir sistemas cognitivos que sean transparentes, locales por defecto, componibles y deterministas. No es un clon de LangChain ni un envoltorio de chatbot: es un runtime para cognición modular. Tú defines el grafo, OrKa lo ejecuta, lo traza y lo explica.
Petición práctica: no solo marques el repo con una estrella, ejecútalo. Instalar es tan sencillo como ejecutar pip install orka-reasoning y probar un archivo YAML de ejemplo como orchestrator: id: fact_checker strategy: sequential agents: - id: validator type: binary prompt: Is this statement factual
Si quieres arreglar docs, construir un nodo o simplemente acompañar en el servidor, estoy disponible. Haz fork del repositorio y colabora. Repositorio en GitHub: https://github.com/marcosomma/orka-reasoning
Sobre Q2BSTUDIO Q2BSTUDIO es una empresa de desarrollo de software y aplicaciones a medida especializada en inteligencia artificial, ciberseguridad y servicios cloud AWS y Azure. Ofrecemos soluciones de software a medida, aplicaciones a medida e integración de agentes IA para empresas, además de servicios de inteligencia de negocio y consultoría en Power BI. Nuestro equipo desarrolla soluciones de IA para empresas que incluyen modelos personalizados, orquestación de agentes, pipelines de datos y prácticas de ciberseguridad para proteger infraestructuras críticas. Si buscas servicios cloud AWS y Azure, consultoría en inteligencia artificial e integración con Power BI para impulsar tus cuadros de mando y análisis, Q2BSTUDIO puede ayudarte a diseñar e implementar soluciones escalables y seguras.
Palabras clave para posicionamiento: aplicaciones a medida, software a medida, inteligencia artificial, ciberseguridad, servicios cloud aws y azure, servicios inteligencia de negocio, ia para empresas, agentes IA, power bi.
Vamos a construir el runtime cognitivo que todos deseamos y a la vez impulsar soluciones empresariales robustas con Q2BSTUDIO. Si te interesa colaborar en OrKa o explorar servicios profesionales, ponte en contacto y contribuye al código abierto.