JarvisCore
Prescott Data · Programación · Productividad · Otro
JarvisCore es un runtime de código abierto en Python donde los agentes de IA actúan como pares en una malla, reclaman tareas de un libro mayor compartido y llegan a servicios externos por un bróker sin confianza.
Acerca de JarvisCore
What Is JarvisCore
JarvisCore es un framework multigente para equipos que ejecutan agentes de IA en Python dentro de un sistema real. En lugar de nombrar a un orquestador que planifica cada paso y guarda todo el estado, reparte a los agentes en una malla donde cada par anuncia lo que sabe hacer y toma trabajo de un libro mayor compartido. Ese detalle cambia lo que ocurre cuando un proceso se cae: otro par recoge el paso pendiente y el objetivo sigue avanzando.
El runtime trae dos perfiles de agente. Un AutoAgent razona la tarea, escribe código, lo ejecuta en un sandbox y corrige sus propios fallos. Un CustomAgent ejecuta el Python que escribes en execute_task y conserva la misma identidad, memoria y mensajería que el perfil autónomo. Los dos conviven en una malla, así que un worker de API con lógica fija y un agente que razona pueden colaborar sin montar un segundo framework.
Las credenciales pasan por Nexus, un bróker que inyecta el token en el momento de la llamada externa. El agente declara qué servicios necesita. Nunca ve la clave, y esta no aparece en los prompts, en el código generado ni en las trazas. Detrás del proyecto está Prescott Data, y el framework se publica con licencia Apache 2.0.
Conviene conocer los límites antes de empezar. JarvisCore es una biblioteca para desarrolladores, no un constructor sin código, y la documentación da por hecho que sabes leer Python y tocar variables de entorno. Los flujos duraderos, la recuperación tras un fallo y el descubrimiento entre máquinas piden Redis y, con varios nodos, el extra P2P. La versión 3.0 añade además una capa de control que registra cada efecto, aunque su modo de informe observa por defecto en vez de bloquear.
Getting Started
- Instala Python 3.10 o superior y ejecuta
pip install jarviscore-frameworkyjarviscore initen una carpeta nueva. - Copia
.env.examplea.envy añade una clave de Anthropic, Google Gemini, Azure OpenAI o un endpoint local. - Lanza
jarviscore check --validate-llmpara comprobar el paquete y la conexión con el proveedor. - Define una clase de agente con rol, capacidades y system prompt, añádela a un
Meshy llama amesh.run_task(). - Suma extras según la necesidad:
[redis]para flujos duraderos,[browser]para Playwright y[p2p]para agentes repartidos entre máquinas.
Información del producto
Un vistazo rápido a los precios, las plataformas compatibles y el rendimiento de JarvisCore.
Ideal para
Los usuarios, tareas y casos de uso en los que esta herramienta encaja mejor.
Usuarios
- Ingenieros de backend y plataforma
- Equipos con trabajos largos repartidos en varios procesos
- Empresas con reglas estrictas de credenciales
Tareas
- Investigación e informes de varios pasos
- Flujos que deben sobrevivir a un reinicio
- Trabajo de navegador en sitios reales
- Acciones que requieren aprobación humana
Casos de uso
- Un pipeline nocturno que enriquece registros desde tres sistemas internos, donde un lote fallido no debe reiniciar la ejecución completa.
- Un equipo de soporte que quiere que un agente proponga cambios de archivos en una sala de Slack mientras cada persona los acepta con su propia cuenta.
- Una prueba de concepto que tiene que llegar a producción sin reescribirse, porque los mismos agentes corren en un proceso o en varios nodos.
Funciones clave
Malla entre pares sin orquestador central
Los agentes anuncian sus capacidades mediante gossip SWIM y se encuentran por lo que saben hacer. Cuando un proceso se detiene, otro reclama su paso del libro mayor y continúa el objetivo. No hay un agente jefe cuyo fallo tumbe el sistema entero, que es el punto débil habitual de los diseños con orquestador.
Objetivos duraderos sobre un libro mayor compartido
Mesh.execute_goal() guarda el objetivo de origen y un libro de obligaciones en Redis, compila un DAG dirigido por capacidades bajo un arrendamiento temporal de planificación y deja que los pares elegibles reclamen pasos listos de forma atómica. El par que planifica pierde la autoridad de enrutado en cuanto existe el plan, y eso es lo que mantiene vivos los flujos de agentes duraderos tras un reinicio. Los intentos quedan inmutables y la reconciliación solo añade trabajo para obligaciones sin resolver.
Dos perfiles de agente en un mismo runtime
AutoAgent se ocupa del bucle de razonamiento, el descubrimiento de herramientas, la ejecución de código en sandbox y la reparación. CustomAgent expone manejadores deterministas que escribes en Python puro. Ambos comparten identidad, memoria, mensajería y almacenamiento, así que puedes cambiar un agente de perfil sin rehacer el sistema que lo rodea.
Credenciales zero-trust con Nexus
Nexus resuelve la credencial del proveedor en el límite de ejecución y la coloca en la petición saliente. Los agentes que declaran requires_auth reciben la llamada, y el token no entra en el contexto del modelo, ni en el código que escribe, ni en el registro de trazas. La configuración OAuth2 se hace en local con jarviscore nexus init y jarviscore nexus register.
Memoria que sobrevive al proceso
Los datos que un agente decide guardar se escriben en .jarviscore/memory/ y se recuperan en ejecuciones posteriores, ligados a su rol y separados por inquilino con memory_scope_field. Si apuntas el runtime a Athena, la memoria semántica se comparte entre máquinas. La memoria de trabajo, la episódica y la de largo plazo pasan por la misma interfaz.
Control, evidencia y replay
La versión 3.0 decide sobre cada llamada al proveedor, programa en sandbox, petición de navegador y cambio de archivo antes de que ocurra, y escribe la decisión en un diario encadenado por hash. jarviscore verify revisa ese diario sin conexión, jarviscore evidence enumera lo que un agente hizo para una persona o un inquilino, y jarviscore replay repite una sesión grabada contra su propio registro sin llamar a nada en vivo.
Ventajas y desventajas
Ventajas
- Sin orquestador central, un worker caído no detiene el objetivo, porque los pares reclaman los pasos restantes del libro mayor.
- Las credenciales quedan fuera del modelo, lo que elimina el motivo habitual por el que seguridad rechaza un piloto de agentes.
- AutoAgent y CustomAgent comparten runtime, así que puedes mezclar workers deterministas y agentes que razonan en el mismo sistema.
- La capa de control de la versión 3.0 genera un diario verificable y replay sin conexión, útil cuando alguien pregunta qué hizo un agente.
- La licencia Apache 2.0 permite vender productos sin umbral de ingresos ni de usuarios, y la instalación se resuelve con un comando pip y una clave de modelo.
Desventajas
- Hace falta experiencia con Python. No hay constructor visual, y la puesta en marcha pasa por archivos de entorno y comandos de CLI.
- Los flujos duraderos y el descubrimiento entre nodos exigen Redis y el extra P2P, lo que añade trabajo de operación que una demo en un solo proceso esconde.
- Las trazas son registros de depuración, no de auditoría: los prompts son resúmenes, los resultados de herramientas se cortan a 2.000 caracteres y las entradas caducan a los siete días.
- Los controles de acceso delegado, el sistema de costes Maven y los DAG de flujo que se mejoran solos son módulos comerciales con precio por proyecto.
Preguntas frecuentes
JarvisCore es un framework de agentes de código abierto escrito en Python. Los agentes se unen a una malla, descubren a sus pares por capacidad, reclaman trabajo de un libro mayor compartido y llaman a servicios externos mediante un bróker de credenciales. El proyecto lo mantiene Prescott Data.
Contenido relacionado
Explora herramientas, habilidades y artículos relacionados con JarvisCore.
Alternativas a JarvisCore
Base Code
Base44 (Wix) · Programación · ProductividadBase Code es un entorno de desarrollo en la nube compartido de Base44. El equipo describe cambios sobre un repositorio de GitHub en el chat, los ve en una vista previa y los envía como pull requests.
Google EmbeddingGemma 2
Google DeepMind · Escritura · Imagen · ProgramaciónGoogle EmbeddingGemma 2 es un modelo abierto de 740 millones de parámetros que convierte texto, código, imágenes, audio y fotogramas de vídeo en vectores de un mismo espacio de 768 dimensiones, y funciona en móviles y portátiles.
GitGlow
GitGlow · Programación · ProductividadGitGlow es un cliente Git de escritorio que reúne tu código y los cambios de tus agentes de IA en una sola revisión, para que sepas qué va a salir de tu máquina antes de publicarlo.