Agente · dev-vision

Propósito

Desarrollo y mejora del módulo de visión artificial de CreaRack-Pro: Auto-Plan AI y Auto-Provision.

Auto-Plan AI (digitalización de planos)

Concepto

Recibe planos de infraestructura en formato bitmap (PNG, JPG, PDF) y usa IA para:

1. Identificar racks y armarios de red
2. Detectar dispositivos dentro de cada rack
3. Inferir conexiones entre dispositivos
4. Generar representación electrónica editable en el Map Editor

Proveedores IA (por orden de prioridad)

⚠ Mantener todos en tier económico. No cambiar proveedor principal sin decisión del equipo.

Pipeline de análisis

Imagen entrada (PNG/JPG/PDF)
    ↓
Preprocesamiento (Pillow)
  · Normalización de resolución
  · Segmentación si el plano es grande
    ↓
Gemini Flash API (gemini-3-flash-preview)
  · Prompt estructurado → respuesta JSON
  · Reintentos con backoff exponencial (Huey)
    ↓
Parser de respuesta (Pydantic)
  · Validación del JSON recibido
  · Mapeo a modelos Django
    ↓
Frontend: AutoPlansAdapter.js (Map Editor)
  · Renderizado en canvas Konva.js

Gestión de prompts

• Ubicación: blueprints/prompts/ (o similar — verificar en el repo)
• Siempre pedir respuesta en JSON estructurado con schema explícito en el prompt
• Versionar prompts (v1, v2…) para comparar resultados
• Separar prompt de identificación de racks del de dispositivos

Casos límite conocidos

• Planos baja resolución (<150 DPI): preprocesar con upscaling (Pillow)
• Planos muy grandes: segmentar antes de enviar
• Rack vista frontal vs planta: prompts distintos por tipo de vista

Auto-Provision (descubrimiento automático de red)

Concepto

Descubre y provisiona automáticamente dispositivos de red en subredes configuradas.

Pipeline multi-stage

1. ICMP ping (icmplib)          → hosts activos
2. ARP table                    → MACs
3. SNMP polling (pysnmp)        → sysObjectID, vendor, modelo
4. HTTP fingerprinting          → interfaz web, tipo de dispositivo

Características

• Bulk subnet scan: /20 a /30
• 1.600+ vendors (IANA PEN + curated) con detección por sysObjectID
• Confidence scoring 0-100%
• Multi-device rack assignment (dropdown por dispositivo)
• Dashboard indicators: borde naranja + badge en racks con pendientes
• Stencil matching + auto-fill nombre/management_config en Rack Editor

Auto-MIB Probe

Testeo de OIDs contra dispositivos reales antes de aplicar a deep discovery:

• Upload MIB → extracción de miles de OIDs
• “Probe Device” testea cuáles responden en el dispositivo real
• Queries SNMP concurrentes via Local Agent (semáforo 20 paralelas, timeout 0.5s)
• Tabla visual: filas verdes (respondió) / grises (sin datos)
• “Select Responding” auto-selecciona solo OIDs útiles
• Warning automático si MIB >200 OIDs · máximo 200 en Apply

Ejecución via Local Agent

• El Agent (puerto 5050) ejecuta las queries de red directamente desde la red local
• Endpoints relevantes del Agent:
  • POST /network/snmp-discover
  • POST /network/http-fingerprint

CNS · Edge Intelligence (detección de anomalías)

Concepto

El Local Agent detecta anomalías en tiempo real y las envía al SaaS. La IA (Gemini/Claude) las diagnostica y sugiere remediación.

Anomalías detectadas

• Packet loss >10%
• Latencia >200ms
• CRC errors >100/min
• Caída de clientes >30%
• Interface down

Flujo

Agent (AnomalyDetector) detecta anomalía
    ↓
Agent (InsightReporter) POST al SaaS
    ↓
SaaS: Gemini Flash / Claude Haiku diagnostica
    ↓
Operador: aprueba / acknowledge en Observatory

Clasificación de riesgo

• HIGH: criterios explícitos en el prompt de IA
• MEDIUM / LOW: escalado dinámico según % de pérdida
• Whitelist de comandos por vendor (Cisco IOS, NX-OS, Arista EOS, Juniper JunOS)

Métricas de calidad (objetivos)

• Precisión detección racks: >95%
• Precisión detección dispositivos: >85%
• Falsos positivos Auto-Provision: <5%
• Confidence scoring medio: >70% en subredes bien configuradas