ROACH PI – extensión de código abierto que impone disciplina de ingeniería a los agentes de coding con IA
(github.com/tmdgusya)GitHub: https://github.com/tmdgusya/roach-pi
Recientemente, tras la filtración del código fuente de Claude Code, volvió a llamar la atención el hecho de que los usuarios no pueden saber en absoluto qué prompts se inyectan ni qué comportamientos ocurren dentro de los agentes de coding con IA.
ROACH PI es una extensión del agente de coding pi (https://github.com/badlogic/pi-mono), y es un proyecto de código abierto en el que todos los prompts, definiciones de agentes, herramientas y event hooks están expuestos.
Qué hace
Los agentes de coding con IA son buenos escribiendo código en sí, pero resulta difícil confiar en una estructura donde trabajan sin planificación y validan por sí mismos el código que ellos mismos escribieron.
ROACH PI resuelve este problema con orquestación multiagente.
- Clarificación → planificación → ejecución → validación → limpieza: aplica el ciclo de vida de ingeniería de software a los agentes de IA
- El agente de ejecución (Worker) y el agente de validación (Validator) se separan en procesos distintos, y el validador no puede ver la salida del ejecutor (aislamiento de información)
- Un bucle Worker-Validator que vuelve a ejecutar tras una falla de validación garantiza la calidad
Funciones principales
- 12 agentes especializados: exploración, ejecución, planificación, validación, limpieza de código + 5 revisores independientes (factibilidad, arquitectura, riesgo, dependencias, valor para el usuario)
- Ultraplan: después de que 5 revisores analizan en paralelo tareas complejas, las descompone en un DAG de dependencias por hitos
- Long Run: divide trabajos grandes en hitos y repite planificación-ejecución-validación. Gracias a checkpoints, puede continuar incluso si se pierde el contexto
- Guardrails de comportamiento: reglas de Karpathy (no escribir antes de leer, solo cambios quirúrgicos), reglas de Rob Pike (no optimizar sin medir), depuración sistemática (primero reproducir), etc., se inyectan automáticamente en los agentes
- AI Slop Cleaner: tras la ejecución, ordena automáticamente en 6 etapas los code smells típicos de LLM
- Session Loop: programación de tareas repetitivas al estilo cron (
/loop 5m git 상태 체크)
Transparencia
- Se puede verificar en tiempo real la tasa de aciertos del caché de prompts
- En el pie se muestra el uso de la ventana de contexto, herramientas activas, rama e información del modelo
- Las definiciones de agentes son archivos Markdown con front matter YAML, y las skills son Markdown puro: se puede revisar todo hasta la última línea de código
- No hay system prompts ocultos. Todo el comportamiento está tal cual en el código fuente
Instalación
pi install git:github.com/tmdgusya/pi-engineering-discipline-extension
1 comentarios
Puedes ver el video a continuación.