dispatch-agent

name	dispatch-agent
description	Skill para despachar tareas a agentes NIM/Groq/GitHub desde esta sesión CC. Habilita el Hermes Work Loop — CC orquesta, agentes B/B+ ejecutan.

Dispatch Agent — Despachar tareas al routing system de dqiii8

Cuándo usar este skill

Siempre que necesites ejecutar trabajo en NIM/Groq/Ollama en lugar de gastar tokens de Anthropic:

• Generar código desde pseudocódigo o spec → python-specialist o algo-specialist
• Investigación de dominio → research-analyst
• Múltiples subtareas paralelas independientes → dispatch_parallel
• Análisis de datos → data-specialist
• Safety check → safety-checker
• Revisión/validación de código → code-reviewer (Opus)

Herramienta principal

cd /root/dqiii8

# Despacho único (sync, respuesta directa)
python3 bin/core/dispatch.py --agent <agente> --prompt "<tarea>"

# Con contexto de fichero
python3 bin/core/dispatch.py --agent python-specialist --context-file specs/impl.md --prompt "Implementa esto"

# Async (devuelve task_id, continúa en background)
python3 bin/core/dispatch.py --agent research-analyst --prompt "..." --async

# Leer resultado async
python3 bin/core/dispatch.py --read <task_id>

# Ver todos los agentes disponibles
python3 bin/core/dispatch.py --list-agents

Hermes Work Loop — Patrón de orquestación

El Hermes Loop es el patrón estándar para trabajo multi-agente desde CC:

[CC: PLANIFICACIÓN]
       ↓
[dispatch_parallel → N agentes NIM/Groq]   ← Costo ~$0, 40 RPM NIM
       ↓
[CC: RECOLECTAR + FILTRAR resultados]
       ↓
[dispatch → code-reviewer (Opus)]          ← Solo si hay código crítico
       ↓
[CC: SINTETIZAR + ENTREGAR]

Ejemplo: Implementar módulo desde pseudocódigo

# 1. Escribir tasks.json con las subtareas
cat > /tmp/tasks.json << 'EOF'
[
  {
    "agent": "python-specialist",
    "prompt": "Implementa la función parse_response() según este pseudocódigo: [...]",
    "context": "Módulo: bin/core/openrouter_wrapper.py. Usa solo stdlib + requests.",
    "timeout": 90
  },
  {
    "agent": "algo-specialist",
    "prompt": "Implementa el algoritmo de retry con exponential backoff para errores 429/503",
    "context": "Max 3 retries, base_delay=1s, max_delay=30s, jitter=True",
    "timeout": 60
  }
]
EOF

# 2. Despachar en paralelo (max_workers=6 por defecto)
python3 bin/core/dispatch.py --tasks /tmp/tasks.json | python3 -c "
import json, sys
results = json.load(sys.stdin)
for r in results:
    print(f\"[{r['agent']} → {r['provider']}/{r['model']}] {r['latency_ms']}ms\")
    print(r['response'][:500])
    print('---')
"

# 3. Si el código es crítico, escalar a Opus para revisión
python3 bin/core/dispatch.py \
  --agent code-reviewer \
  --context-file /tmp/generated_code.py \
  --prompt "Revisa este código buscando: bugs, edge cases, violaciones de contrato, deuda técnica"

Ejemplo: Pipeline pseudocódigo → código → validación

# Desde un script Python en dqiii8
from bin.core.dispatch import dispatch, dispatch_parallel

# Fase 1: Generación (NIM DeepSeek V4 Flash, 1M ctx, $0)
gen_result = dispatch(
    agent="python-specialist",
    prompt=pseudocode,
    context=project_context,
    timeout=90
)

# Fase 2: Revisión (Opus, solo si gen_result["status"] == "ok")
if gen_result["status"] == "ok":
    review = dispatch(
        agent="code-reviewer",
        prompt=gen_result["response"],
        context="Busca: seguridad, correctness, contratos violados",
        timeout=120
    )

Tabla de agentes — cuándo usar cada uno

Agente	Proveedor/Modelo	Usar para
python-specialist	NIM / deepseek-v4-flash	Implementación Python desde spec/pseudocódigo
web-specialist	NIM / deepseek-v4-flash	JS/TS/CSS, scraping, frontend
algo-specialist	NIM / deepseek-v4-flash	Algoritmos, estructuras de datos, optimización
research-analyst	NIM / mistral-large-675b	Investigación, síntesis, análisis contextual
software-specialist	NIM / mistral-large-675b	Arquitectura, diseño de sistemas
data-specialist	NIM / mistral-large-675b	SQL, DataFrames, análisis numérico
ai-ml-specialist	NIM / mistral-large-675b	ML, modelos, fine-tuning, métricas
vision-specialist	NIM / phi-4-multimodal	Análisis imagen/PDF/tabla
safety-checker	NIM / nemoguard-8b	Gate de contenido antes de publicar
pii-detector	NIM / gliner-pii	Detección PII en texto
code-reviewer	Anthropic / opus-4-8	Revisión estricta de código crítico
finance-specialist	Anthropic / sonnet-4-6	Análisis financiero, valoraciones
default	Groq / llama-3.3-70b	Fallback general

Salida estructurada

Todos los dispatches devuelven JSON con esta forma:

{
  "task_id": "a3b4c5d6",
  "agent": "python-specialist",
  "provider": "nim",
  "model": "deepseek-ai/deepseek-v4-flash",
  "status": "ok",
  "latency_ms": 1400,
  "response": "...",
  "error": null,
  "result_file": "/root/dqiii8/tasks/results/dispatch-a3b4c5d6.json"
}

Posibles status: ok | error | timeout | pending (async)

Reglas de uso

1. Tier-first: si puedes hacer la tarea tú (CC/Sonnet), hazla. Usa dispatch solo para trabajo intensivo o paralelo.
2. No dispatch para decisiones de arquitectura — eso requiere contexto completo del proyecto que solo CC tiene.
3. Max 6 workers en paralelo — el NIM global rate limit es 40 RPM, evitar 429 masivos.
4. Persistir resultados importantes: --project <nombre> escribe a tasks/results/dispatch-{id}.json.
5. code-reviewer (Opus) solo para código crítico — toca ≥2 módulos, lógica de negocio, o spec ambigua.

Conexión bidireccional CC ↔ dqiii8

Este CC ──dispatch.py──▶ AGENT_ROUTING ──▶ NIM/Groq/GitHub/Ollama
Este CC ◀──tasks/results/ (polling o lectura directa)

dqiii8 ──autonomous_loop.sh──▶ claude -p ──▶ Este CC
dqiii8 ◀──stdout/JSON─────────────────────────────────

El canal dqiii8→CC ya existe (autonomous_loop.sh llama claude -p). El canal CC→dqiii8 es este skill + dispatch.py.