DSR-Labs

Orchestrators

Este directorio contiene la capa de orquestación de sistemas de inteligencia artificial del lab.

Aquí diseño y construyo cómo se ejecutan modelos, datos e infraestructura para producir resultados controlados, observables y reproducibles.

La IA no se “consume”. Se orquesta.

---

Rol dentro del lab

En sistemas de IA, el problema no es llamar a un modelo. El problema es coordinar ejecución, estado, contexto, memoria y fallas.

La orquestación define:

• Qué modelo se ejecuta.
• En qué momento ocurre la ejecución.
• Con qué contexto y memoria.
• Qué ocurre si falla (gestión de errores).
• Qué queda persistido (trazabilidad).

Sin esta capa hay prompts; no hay sistemas.

---

Qué hay acá

En orchestrators/ construyo:

• Workflows de IA con estado explícito.
• Pipelines de inferencia y decisión.
• Coordinación entre múltiples modelos.
• Flujos largos y reanudables.
• Runtime de ejecución y políticas de error, fallback y costo.

Todo está pensado para ejecución real, no para demos.

---

Conceptos Base

1. Workflow

Una ejecución completa del sistema. No conoce la infraestructura, solo define flujo y reglas.

• Input versionado y contexto controlado.
• Estado persistente y secuencia de pasos.
• Política de error y output validado.

2. Step

Unidad mínima de ejecución.

• Hace una sola cosa y es idempotente.
• Puede fallar, pero no decide el flujo.
• Los steps ejecutan; el workflow decide.

---

Gestión de Estado y Fallas

Estado y Memoria

El estado es explícito y persistente. Nada vive solo en la RAM. Todo flujo puede reanudarse, repetirse y auditarse, incluyendo el contexto de entrada y las decisiones intermedias.

Fallas y Costo

La falla no es un bug, es una condición esperada. Implementamos:

• Retries con políticas claras y Timeouts explícitos.
• Fallback entre modelos para asegurar disponibilidad.
• Degradación funcional y control estricto de costo por ejecución.

---

Observabilidad

Si no puedo explicar qué hizo la IA paso a paso, el flujo está mal diseñado.

• Logs estructurados e identificadores únicos por ejecución.
• Trazas por step y métricas de tiempo/error/costo.
• Outputs auditables.

---

Ejemplo de Workflow de IA Real

Caso: Procesar un documento enviado por un usuario, analizarlo con IA y devolver un resultado validado.

Flujo Lógico

1. START
2. Validar input: Verifica formato. Si falla, aborta.
3. Inicializar estado: Crea el ID de ejecución.
4. Extraer texto: Conversión a texto plano (idempotente).
5. Preparar contexto: Aplicación de reglas y prompts versionados.
6. Inferencia IA: Ejecución con control de tokens y fallbacks.
7. Validar output: Verificación de estructura y umbral de confianza.
8. Persistir resultado: Guardado de estado final y métricas.
9. END

Ejemplo de Estado (JSON)

Estado Inicial:

{
  "execution_id": "wf-2026-0001",
  "input": {
    "document_id": "doc_9821",
    "source": "user_upload"
  },
  "context": {},
  "memory": {},
  "status": "initialized"
}

Estado Final:*

{
  "execution_id": "wf-2026-0001",
  "status": "completed",
  "result": {
    "approved": true,
    "confidence": 0.92,
    "model_used": "model-primary-v3"
  }
}