poindexter

Poindexter es un pipeline de contenido de código abierto (Apache 2.0, Glad Labs LLC) diseñado para ejecutarse en la máquina de un único operador. Según el README, es el sistema de producción detrás de gladlabs.io, con más de 200 publicaciones activas y más de 2,000 ejecuciones de pipeline registradas, y está posicionado explícitamente para operadores solistas y editores independientes en lugar de equipos de marketing que busquen una aplicación alojada de un solo clic. Lo que hace el pipeline: descubre temas candidatos de HackerNews, Dev.to y feeds de nicho configurables; investiga cada tema con búsqueda web y verificación de fuentes; escribe borradores de formato largo utilizando modelos locales de Ollama; revisa cada borrador con un QA adversarial multimodelo; ejecuta una validación anti-alucinaciones sobre personas, estadísticas y citas; y publica el trabajo finalizado como JSON estático, RSS y JSON Feed 1.1 en cualquier almacenamiento compatible con S3. Etapas opcionales y voluntarias añaden imágenes de IA, audio de podcast y clips cortos de texto a video. El sistema también se monitorea a sí mismo a través de tableros de Grafana y un demonio watchdog, con alertas vía Telegram o Discord. El conjunto de modelos predeterminado consta de cuatro modelos de Ollama: gemma3:27b como escritor y respaldo, phi4:14b como crítico de QA adversarial, qwen3:8b para tareas rápidas como SEO y enrutamiento, y nomic-embed-text para embeddings en pgvector. El README señala que el crítico proviene deliberadamente de una familia de modelos diferente a la del escritor. El enrutamiento de modelos (escritor, crítico, investigación, resumidor, embebedor) se almacena en la base de datos y puede cambiarse en tiempo de ejecución; los modelos adicionales de visión y voz se descargan solo para las funciones que los necesitan. Los proveedores de nube (Anthropic, OpenAI, Groq, OpenRouter y otros) están disponibles a través de un plugin opcional de LiteLLM controlado por un guardián de costos. El control de calidad es el énfasis declarado del proyecto. El README describe 15 rieles de QA que combinan críticos LLM cross-model, evaluaciones de DeepEval y Ragas, validadores deterministas anti-alucinaciones, verificación de citas contra el corpus de investigación y QA de visión en imágenes generadas. Cada riel es configurable en la base de datos como consultivo o bloqueante, los umbrales son ajustables en tiempo de ejecución y los borradores que casi cumplen los requisitos reciben una pasada de revisión limitada antes del rechazo. Arquitectónicamente, es un núcleo más módulos más plugins de capacidad. Los componentes no se importan entre sí; PostgreSQL con pgvector actúa como el bus compartido. El pipeline de contenido es un DAG de LangGraph declarativo almacenado en la base de datos (alrededor de 47 nodos) con checkpointing de Postgres para ejecuciones reanudables, despachado a través de Prefect. Un demonio watchdog independiente verifica los servicios en un ciclo de 5 minutos y reinicia los fallos cuando es posible. La configuración reside en una tabla app_settings (más de 1,700 configuraciones) en lugar de variables de entorno, editable mediante CLI, SQL o REST, y la autenticación utiliza credenciales de cliente OAuth 2.1 con JWT limitados por consumidor. Los puntos de extensión se organizan en 18 grupos de puntos de entrada de plugins: Taps, TopicSources, proveedores de LLM/imagen/TTS/video/audio/caption, PublishAdapters, Probes, Jobs, Stages, Reviewers y Módulos completos. Los plugins son paquetes pip ordinarios que registran puntos de entrada de setuptools, y el README afirma que el primer plugin de producción es el proveedor de LiteLLM. La configuración requiere Docker, Ollama, Python 3.13+ y una GPU NVIDIA con 8 GB+ de VRAM (se admite CPU pero es lento); no se admite cmd/PowerShell nativo de Windows y se requiere Git Bash o WSL2. Los perfiles de Docker Compose varían desde 4 contenedores para una instalación básica hasta 45 para el stack completo del operador. El README es sincero sobre el estado: el proyecto está en alfa, no hay alojamiento gestionado ni receta multi-inquilino, el esquema de la base de datos aún no es estable entre versiones, el ecosistema de plugins de terceros es incipiente y el texto a video sigue en alfa con un margen de aproximadamente 28 GB de VRAM. Reporta más de 17,000 pruebas unitarias en CI junto con pruebas de humo de migración y verificaciones de enlaces rotos, y cada push ejecuta escaneo de secretos, escaneo de CVE y generación de SBOM. El proyecto tiene licencia Apache 2.0, relicenciado desde AGPL-3.0.