Cubides_bots: Arquitectura de Multi-Agentes, Seguridad Hermética y Soberanía Tecnológica

Un modelo de lenguaje común (como ChatGPT en su versión básica) es reactivo: esperas que responda a una pregunta directa y ahí termina su labor. Un Agente de Inteligencia Artificial, por otro lado, es proactivo.

Se trata de un sistema que envuelve al modelo de lenguaje con herramientas adicionales (acceso web, ejecución de código, lectura de archivos, capacidad de memoria a largo plazo) y un bucle de razonamiento autónomo. Al darle un objetivo complejo a un agente, este puede:
1. Planificar: Dividir el problema en sub-tareas.
2. Ejecutar: Utilizar herramientas externas como buscar en Google o ejecutar un script de Python.
3. Evaluar: Analizar si el resultado fue el esperado y corregirse si se equivoca.

La ventaja de tener agentes en lugar de simples chatbots es que se convierten en verdaderos 'empleados digitales' capaces de ejecutar flujos de trabajo asíncronos y multipaso sin supervisión humana constante.

Aplicando estos conceptos fundamentales, el sistema Cubides_bots no centraliza todo en un único 'super-agente', sino que divide las cargas cognitivas en tres identidades especializadas, cada una con su propia pila tecnológica y base de habilidades (tools):

- Agente Académico (Colega): Se comunica a través de canales locales seguros. Especializado en navegar bases de datos científicas, leer papers y sintetizar metodologías.
- Agente Personal (Coach): Opera directamente en la terminal interactiva. Su 'system prompt' y memoria están calibrados para la planificación de hábitos y resolución de problemas diarios.
- Agente Empresarial (Socio): Desarrollado con FastAPI, expone endpoints internos de acceso restringido. Está armado con herramientas de manipulación de hojas de cálculo, redacción corporativa y gestión de correos electrónicos.

Esta separación evita la 'alucinación cruzada', asegurando que el agente de investigación científica no se confunda con tareas de contabilidad.

Otorgarle a un agente la capacidad de ejecutar código o acceder a tus archivos locales es inherentemente peligroso si el modelo alucina o sufre un ataque de inyección de prompt. Por eso, cada agente dentro de Cubides_bots vive dentro de un entorno Dockerizado con políticas de seguridad agresivas:

```yaml
services:
academic-agent:
cap_drop: [ALL] # Elimina capacidades peligrosas del kernel
read_only: true # Filesystem de solo lectura
security_opt:
- no-new-privileges:true
```

Este nivel de 'Hardening' garantiza que el agente funcione en una 'sandbox' criptográficamente aislada. Si el Agente Académico intenta borrar el disco C:, fallará silenciosamente.

Para coordinar a estos empleados digitales, el 83.1% de la lógica de orquestación de Cubides_bots utiliza PowerShell Core 7.

Scripts automatizados se encargan de despertar a los agentes solo cuando se necesitan, inyectar el contexto correcto, y lo más importante, ejecutar rutinas para apagar y purgar el entorno (`Clean-Runtime.ps1`) una vez el agente completa su labor, garantizando eficiencia de recursos en la máquina host.

Para que un agente sea verdaderamente autónomo, necesita llaves API (OpenAI, Anthropic, SerpAPI). En Cubides_bots, la gestión de estos secretos se realiza mediante SOPS (Secrets Operations).

Los agentes carecen de las llaves maestras; es el orquestador maestro (PowerShell) quien descifra asimétricamente los archivos `.enc.yaml` por milisegundos, los inyecta en la RAM volátil del contenedor del agente y borra el rastro. Esto permite que todo el código del sistema, incluyendo su configuración, pueda subirse a GitHub sin comprometer la seguridad.