Cómo construí una plataforma Kanban con IA usando FastAPI, RAG y agentes

El límite del producto

La plataforma no es un chatbot pegado a un tablero. El Kanban es la superficie operativa y el sistema de agentes es la capa de ejecución detrás. Tareas, logs, contexto y estado deben quedar conectados para que el usuario entienda qué hace el sistema.

FastAPI como plano de control

FastAPI concentra la frontera de API, creación de tareas, llamadas a agentes, acceso a documentos y eventos WebSocket. Esto mantiene modelo, memoria y estado de UI detrás de rutas explícitas de backend.

RAG y memoria

RAG solo es útil cuando la recuperación está delimitada y es auditable. Lavc Systems separa registros estructurados en SQLite de búsqueda semántica en ChromaDB, usando embeddings locales y Ollama para mantener contexto interno en la máquina.

Qué demuestra

El proyecto demuestra ingeniería de IA aplicada, diseño backend, orquestación con LLM local, observabilidad de tareas y separación práctica entre sugerencias generadas y acciones del sistema.

Por qué Kanban funciona como interfaz de IA

Un tablero Kanban da una forma concreta al flujo de agentes. En vez de pedir al usuario que confíe en una cadena invisible de prompts, cada tarea puede mostrar intención, estado actual, bloqueos, notas generadas y salida final. Eso importa porque los trabajos con IA suelen fallar en el medio, no solo en la respuesta. Una tarea puede estar esperando recuperación de contexto, resultado de herramienta, información faltante o revisión humana. Modelar esos estados vuelve inspeccionable el comportamiento de los agentes.

Agentes como workers de backend

El patrón más seguro es tratar los agentes como workers de backend con responsabilidades estrechas. Un agente de planificación puede dividir el trabajo, una etapa de recuperación puede cargar contexto y una etapa de síntesis puede preparar la respuesta, pero la API sigue controlando persistencia, permisos, logs y transiciones de estado. Así el modelo no se convierte en toda la aplicación. También facilita pruebas, porque el flujo se valida por entradas, salidas, eventos y fallas, no solo por snapshots de prompt.

La observabilidad cambia la experiencia

Las actualizaciones por WebSocket no son solo una comodidad técnica. Permiten que la UI muestre qué cambió sin obligar al usuario a refrescar o adivinar si el sistema quedó detenido. Cuando logs, estado de tarea y eventos de agentes avanzan juntos, el producto se vuelve más tranquilo de operar. El usuario ve que la recuperación terminó, una llamada al modelo está corriendo, una validación falló o una respuesta final está lista. Esa transparencia hace que el sistema de IA se sienta como software real, no como una caja negra.