Agent_AutoGen

Agente "Arquitecto de Solucion" construido con AutoGen AgentChat que convierte requerimientos funcionales y no funcionales en una propuesta de arquitectura implementable en la nube, sin usar componentes de entrada gestionados.

Que hace el agente

• Interpreta requerimientos y restricciones.
• Genera los 7 entregables obligatorios (diagrama, componentes, flujos, ADRs, backlog, riesgos, costos).
• Valida que no aparezcan componentes prohibidos en la salida.
• Publica la documentacion en docs/.

Flujo de trabajo

flowchart LR
    A[Entrada de requerimientos] --> B[Validacion y normalizacion]
    B --> C[Generacion de entregables]
    C --> D[Validacion sin componentes prohibidos]
    D --> E[Persistencia en docs]
    E --> F[Salida al usuario]

Loading

Estructura del proyecto

• src/ codigo del agente.
  • src/agent/ orquestacion y herramientas.
  • src/core/ schemas, generador, templates y validaciones.
  • src/api/ capa API (placeholder si se expone HTTP).
  • src/main.py entrada CLI.
• docs/ entregables y documentacion del proyecto.
• test/ pruebas unitarias con pytest.
• config/ configuracion externa (sin secretos).
• data/ entradas (requirements.json) y salida del agente (architecture, adr, backlog, risk, cost).
• monitoring/ helpers de observabilidad.

Requisitos

• Python 3.10+

Instalacion

python -m venv .venv
.venv\\Scripts\\Activate.ps1
pip install -r requirements.txt

En PowerShell si falla la activacion:

Set-ExecutionPolicy -Scope CurrentUser -ExecutionPolicy RemoteSigned

En macOS/Linux:

python3 -m venv .venv
source .venv/bin/activate
pip install -r requirements.txt

Uso

Generar documentos con el input en data/requirements.json:

python -m src.main

Usar otro archivo JSON de entrada:

python -m src.main --input path\\to\\requirements.json

Usar otro archivo de configuracion:

python -m src.main --config path\\to\\config.yml

Activar LLM desde configuracion:

• En config/config.yml establece llm.enabled: true
• Define variables de entorno segun el proveedor (OPENAI_API_KEY o AZURE_OPENAI_API_KEY)
• Si usas Azure, completa llm.azure.endpoint y llm.azure.deployment_name

La salida se genera dentro de data/:

• data/architecture/solution-proposal.md
• data/adr/
• data/backlog/backlog.csv
• data/risk/risk-register.md
• data/cost/cost-estimate.xlsx (Excel: estimacion + hoja opcional con precios por scraping)

Para incluir precios de nube en el Excel, indica el proveedor en data/requirements.json (cloud_provider: AWS, Azure o GCP) o en config/config.yml (cost.scrape_provider: azure, aws, gcp). Se hace web scraping a las paginas oficiales de precios; si no se obtienen datos, se rellenan valores de referencia.

Ejemplo de uso

1. Edita data/requirements.json con tus requerimientos.
2. Ejecuta:

python -m src.main

3. Revisa el entregable principal en data/architecture/solution-proposal.md.

Formato del input

El archivo data/requirements.json acepta:

• project_name, domain, cloud_provider
• functional_requirements, non_functional_requirements, constraints
• data_sources, resources, traffic_profile, regions, compliance, assumptions

Tests

pytest