5 puntos por eggplantiny 2025-12-14 | Aún no hay comentarios. | Compartir por WhatsApp

Hola.
Quiero compartir TaskFlow, un demo de gestión de tareas AI-native
para demostrar "@manifesto-ai/core",
una biblioteca open source que estoy desarrollando personalmente.

Más que un producto terminado,
TaskFlow es una aplicación demo pensada para mostrar
cómo funciona en una app real el modelo de ejecución
propuesto por "@manifesto-ai/core".

La estructura central que se probó en este proyecto es la siguiente.

  • El LLM solo se encarga de interpretar lenguaje natural → Intent
  • Los cambios reales de estado los ejecutan reglas de Runtime explícitas (Effect)
  • Todos los resultados se registran como Snapshot, por lo que pueden reproducirse, verificarse y transmitirse por streaming

Es decir, en lugar de un "agente donde el LLM manipula directamente el estado",
quise demostrar una arquitectura en la que
el LLM actúa como compilador y el sistema se encarga de la ejecución.

Por qué quise probar esta estructura

En los patrones de agent existentes, encontré problemas como los siguientes.

  • Las transiciones de estado quedan ocultas dentro del reasoning del LLM
  • Es difícil reproducir los resultados de la ejecución
  • Se vuelve complicado cambiar políticas o depurar

Por eso hice un PoC para comprobar
si una arquitectura centrada en runtime, que separa significado (Intent) y ejecución (Effect),
realmente es válida en la práctica.

Qué se puede ver en el demo

  • Interacciones naturales en lenguaje natural para crear / editar / consultar tasks y controlar la View
  • Flujo de ejecución Intent → Effect → Snapshot
  • Respuesta en streaming basada en SSE
  • UI projection basada en React + Zustand

Enlaces

Todavía es un proyecto en fase de investigación y experimentación, así que aún hay muchas partes incompletas.
Toda retroalimentación o crítica sobre la estructura o la dirección será bienvenida 🙇‍♂️

Aún no hay comentarios.

Aún no hay comentarios.