Agentes que delegan, recuerdan y terminan el trabajo.
Astreus es un framework de TypeScript de código abierto para agentes de IA autónomos: subagentes, flujos de trabajo en grafo, memoria persistente y herramientas MCP detrás de una sola API tipada.
npm install @astreus-ai/astreusLee el panel que tú leerías a las 3 de la madrugada.
Un agente recibe la alerta y la captura de Grafana y le dice al canal de incidentes qué se rompió.
import { Agent, Graph } from '@astreus-ai/astreus';const oncall = await Agent.create({ name: 'OnCall', model: 'gpt-6-astra', systemPrompt: 'On-call engineer for the payments API', vision: true, memory: true});await oncall.ask('Checkout p95 alert. What broke?', { attachments: [ { type: 'image', path: './grafana-checkout.png' } ], stream: true, onChunk: (chunk) => process.stdout.write(chunk)});Documentación de agentesDespués revisa lo que tú revisarías.
GitHub para el último despliegue, Sentry para los errores, Postgres para la carga. Cada uno es un servidor MCP que el modelo llama por su cuenta.
await oncall.addMCPServers([ { name: 'github', command: 'npx', args: ['-y', '@modelcontextprotocol/server-github'] }, { name: 'postgres', command: 'npx', args: [ '-y', '@modelcontextprotocol/server-postgres', 'postgresql://replica.internal/payments' ] }, { name: 'sentry', url: process.env.SENTRY_MCP_URL }]);await oncall.ask( 'What shipped in the last hour, and what broke after?');Documentación de MCPTres investigaciones a la vez.
Un agente de triaje reparte logs, despliegues y base de datos entre tres especialistas y une lo que encuentran.
const logs = await Agent.create({ name: 'LogAnalyst', model: 'llama3.3', systemPrompt: 'Find the first error in the logs.'});const deploys = await Agent.create({ name: 'DeployAuditor', model: 'gpt-6-astra', systemPrompt: 'Audit what shipped in the last hour.'});const database = await Agent.create({ name: 'DbInspector', model: 'gpt-6-astra', systemPrompt: 'Find slow queries and lock waits.'});const triage = await Agent.create({ name: 'Triage', model: 'claude-fable-5-1', systemPrompt: 'Split the work, merge the findings.', subAgents: [logs, deploys, database]});const cause = await triage.ask('Why is checkout slow?', { useSubAgents: true, delegation: 'auto', coordination: 'parallel'});Documentación de subagentesTodo el incidente, como un grafo.
Diagnostica mientras se actualiza la página de estado, revierte solo después del diagnóstico, verifica y luego escribe el postmortem.
const incident = new Graph({ name: 'Incident response', maxConcurrency: 3, retryAttempts: 2, subAgentAware: true}, triage);const diagnose = incident.addTaskNode({ prompt: 'Find the root cause', useSubAgents: true});const status = incident.addTaskNode({ prompt: 'Post an update to the status page'});const rollback = incident.addTaskNode({ prompt: 'Roll back the deploy', dependencies: [diagnose]});const verify = incident.addTaskNode({ prompt: 'Confirm p95 < 400 ms', dependencies: [rollback]});incident.addTaskNode({ prompt: 'Write the postmortem', dependencies: [verify, status]});await incident.run();Documentación de grafosYa ha visto este incidente antes.
Los runbooks son su conocimiento, los incidentes pasados son su memoria, y un hilo de cuatro horas se comprime en lugar de desbordarse.
const oncall = await Agent.create({ name: 'OnCall', model: 'gpt-6-astra', systemPrompt: 'On-call engineer for the payments API', embeddingModel: 'text-embedding-3-small', memory: true, knowledge: true, autoContextCompression: true, preserveLastN: 5});await oncall.addKnowledgeFromDirectory('./runbooks');await oncall.addMemory( 'Incident 214: checkout latency, pool exhausted.');const seen = await oncall.searchMemoriesBySimilarity( 'checkout latency spike', { similarityThreshold: 0.7, limit: 3 });Documentación de memoriaEl modelo adecuado para cada tarea.
Un modelo local limpia los logs para que nada salga de tu red, uno mayor diagnostica y otro escribe el informe.
const rawLogs = await readFile('./checkout.log', 'utf8');// Scrub raw logs locally. Nothing leaves your network.const scrubbed = await oncall.ask(rawLogs, { model: 'llama3.3'});// A larger model finds the causeconst cause = await oncall.ask(scrubbed, { model: 'claude-fable-5-1'});// Another one writes it upconst report = await oncall.ask('Write the postmortem', { model: 'gpt-6-astra'});Documentación de proveedoresLos datos de tus clientes siguen bajo llave.
Un ajuste cifra cada transcripción, prompt y fragmento de runbook en tu base de datos con AES-256-GCM.
// .env// ENCRYPTION_ENABLED=true// ENCRYPTION_MASTER_KEY=<openssl rand -hex 32>// DB_URL=postgresql://...// KNOWLEDGE_DB_URL=postgresql://...const oncall = await Agent.create({ name: 'OnCall', model: 'gpt-6-astra', systemPrompt: 'On-call engineer for the payments API', memory: true, knowledge: true});// Stored encrypted: the prompt, the incident thread,// every memory and every runbook chunkawait oncall.ask('Which customers were affected?');Docs de seguridadAntes de instalar.
Node.js 22 o posterior, una base de datos y un modelo. Astreus guarda agentes y recuerdos en SQLite o PostgreSQL y trabaja con OpenAI, Claude, Gemini o un modelo local de Ollama. Se instala con npm install @astreus-ai/astreus.
Sí. Asigna a un agente un modelo de Ollama, como llama3.3, y se ejecutará en tu propia máquina. El código del agente no cambia.
Sí. Un subagente es un agente normal, creado con su propio modelo, prompt y capacidades, que se pasa al coordinador en subAgents. La delegación puede ser automática, manual o secuencial.
Un nodo empieza en cuanto terminan todos los nodos de los que depende. Define maxConcurrency en el grafo para que los nodos independientes se ejecuten a la vez. Por defecto se ejecutan de uno en uno.
Cualquier servidor que puedas iniciar con un comando y argumentos, o al que puedas acceder por URL. Añádelos a un agente con addMCPServers y sus herramientas quedarán disponibles para el modelo.
Sí. Astreus tiene licencia MIT, así que puedes usarlo, modificarlo y distribuirlo en proyectos comerciales.
© 2026 pzzaworks