Sprint Review - Sprint 1

Información General

  • Sprint: Sprint 1
  • Fecha de inicio: 29 de septiembre de 2025
  • Fecha de finalización: 10 de octubre de 2025
  • Duración: 2 semanas (12 días)
  • Objetivo del Sprint: Desarrollar un chatbot básico ReAct funcional

Objetivo del Sprint

Implementar un Producto Mínimo Viable (PMV) de un agente de IA que sirva como base para un chatbot educativo, utilizando una arquitectura ReAct (Reason-Action) con capacidad de usar herramientas y memoria a corto plazo.

Incremento Alcanzado

✅ Funcionalidades Completadas

1. Infraestructura de Inferencia (Issues #21, #22)

  • Despliegue de modelo LLM en Docker utilizando vLLM
  • Configuración del modelo Qwen2.5-1.5B-Instruct
  • Optimización para hardware limitado (5 GB VRAM)
  • Soporte para function calling

2. Agente de IA con Arquitectura ReAct (Issue #25)

  • Implementación de GraphAgent usando LangGraph
  • Diseño de estados: START, THINK, END
  • Integración con el modelo de inferencia
  • Capacidad de razonamiento y selección de acciones

3. Sistema de Memoria a Corto Plazo (Issue #26)

  • Implementación de checkpointer para persistencia de estado
  • Configuración de base de datos para almacenamiento
  • Sistema de threads para conversaciones independientes
  • Seguimiento de contexto conversacional

4. Sistema de Herramientas (Issues #23, #24)

  • Definición de herramientas básicas
  • Integración de herramientas en el agente
  • Selección adaptativa de herramientas según la query del usuario

5. API Backend

  • Desarrollo de API con FastAPI (backend/api.py)
  • Endpoints implementados:
    • / - Endpoint raíz
    • /health - Estado del servicio
    • /chat - Interacción con el chatbot
  • Documentación de la API

6. Arquitectura de Microservicios

  • Dockerización del backend
  • Docker Compose con 2 servicios:
    • Servicio vLLM (inferencia)
    • Servicio Backend (API)
  • Comunicación entre servicios en red interna

7. Testing

  • Suite de tests unitarios para el agente
  • Tests de integración para la API
  • Tests de infraestructura
  • Configuración de pytest

8. Documentación y Versionado

  • Implementación de CHANGELOG siguiendo Keep a Changelog
  • Versionado semántico (v0.1.0)
  • GitHub Actions para releases automáticas
  • GitHub Pages con tema Just the Docs (v0.1.2)
  • Workflow de Jekyll para generación automática de documentación

📊 Métricas del Incremento

  • Issues completados: 6/6 (100%)
  • Versión entregada: v0.1.2
  • Cobertura de tests: Implementada (unitarios, integración, infraestructura)
  • Servicios desplegados: 2 (vLLM + Backend)

Obstáculos Encontrados

🚧 Obstáculos Técnicos

1. Limitación de Hardware

  • Descripción: Disponibilidad de solo 5 GB de VRAM para el despliegue del modelo
  • Impacto: Restricción en la selección de modelos disponibles
  • Resolución:
    • Selección de Small Language Models (SLM)
    • Optimización mediante vLLM
    • Consideración de inferencia híbrida (API + local) para desarrollo

2. Selección del Modelo Adecuado

  • Descripción: Dificultad para encontrar un modelo que cumpliera todos los requisitos:
    • Capacidad de seguir instrucciones (instruct)
    • Fine-tuned para function calling
    • Compatible con limitaciones de hardware
  • Impacto: Necesidad de cambiar el modelo inicialmente seleccionado
  • Resolución:
    • Investigación de paper “Small Language Models for Future AI Agents”
    • Migración a Qwen2.5-1.5B-Instruct
    • Actualización de configuraciones (Docker vLLM, .env, system prompt)

3. Comportamiento Inadecuado en Function Calling

  • Descripción: El modelo inicial no respondía correctamente a la llamada de herramientas
  • Impacto: Retraso en la implementación de la API
  • Resolución:
    • Cambio a modelo Qwen2.5-1.5B-Instruct con mejor soporte
    • Ajuste de prompts del sistema
    • Validación mediante tests

💡 Aprendizajes

  1. Viabilidad de SLMs: Los Small Language Models son suficientes para aplicaciones agénticas en escenarios con recursos limitados
  2. Importancia de la selección de modelo: La elección del modelo correcto es crítica para el function calling
  3. Testing temprano: Implementar tests desde el inicio permite detectar problemas de integración rápidamente
  4. Arquitectura de microservicios: La separación en contenedores facilita el desarrollo y mantenimiento

Retrospectiva Técnica

✨ Lo que funcionó bien

  • Uso de LangGraph para simplificar la implementación del agente
  • Podman Compose para orquestar los servicios
  • Metodología de documentación (Keep a Changelog + Versionado Semántico)
  • Configuración de tests automatizados desde el inicio
  • GitHub Projects para seguimiento ágil

🔄 Áreas de mejora

  • Planificar mejor la selección de modelos antes de iniciar la implementación
  • Considerar limitaciones de hardware en la fase de diseño
  • Documentación continua durante el desarrollo (no solo al final)

Demostración del Incremento

El incremento entregado incluye:

  1. Sistema funcional end-to-end:
    • Usuario → API FastAPI → GraphAgent → vLLM → Respuesta
  2. Capacidades demostradas:
    • Conversaciones con memoria a corto plazo
    • Uso de herramientas mediante arquitectura ReAct
    • Endpoints RESTful operativos
  3. Infraestructura desplegable:
    • podman-compose up levanta todo el sistema
    • Servicios independientes y escalables

Próximos Pasos

Para el siguiente sprint se consideran las siguientes mejoras:

  • Expansión del conjunto de herramientas disponibles
  • Optimización del rendimiento del modelo
  • Ampliación de la cobertura de tests

Conclusión

El Sprint 1 ha sido completado exitosamente, alcanzando el objetivo de implementar un chatbot básico ReAct funcional. A pesar de los obstáculos técnicos relacionados con las limitaciones de hardware y la selección del modelo, se logró entregar un incremento de producto completamente funcional con todos los componentes esenciales: agente de IA, sistema de memoria, herramientas, API backend y arquitectura de microservicios.

El producto está listo para ser utilizado como base para iteraciones futuras y cumple con los criterios de aceptación definidos en la Sprint Planning.

Versión del producto: v0.1.2
Estado: ✅ Completado
Fecha de revisión: 11 de octubre de 2025