Imported from miguelgarglez/miguelgarglez.github.io (chat-worker/AGENTS.md). Install upstream with npx skills add miguelgarglez/miguelgarglez.github.io --skill chat-worker. Copyright stays with the author.

AGENTS.md

Contexto: Worker de Cloudflare que hace streaming SSE hacia un proveedor LLM OpenAI-compatible para responder preguntas sobre el perfil profesional. Se consume desde el sitio Astro en GitHub Pages.

Estructura

• src/index.ts: handler principal, CORS, validacion de origen, streaming.
• src/agent/: runtime determinista del agente de perfil.
• src/knowledge/profile-facts.ts: facts criticos que no deberian fallar (puesto actual, contacto, stack, ubicacion).
• src/knowledge/profile-data.ts: bloques largos de perfil y CV.
• src/knowledge/projects.ts: proyectos estructurados.
• src/knowledge/memories.ts: memorias publicas curadas.
• test/profile-agent.test.ts: regresiones de retrieval del agente.
• wrangler.toml: config del worker.

Reglas de CORS

• Produccion: se permite https://miguelgarglez.com y https://miguelgarglez.github.io.
• Desarrollo local: habilitar DEV=true en el entorno para permitir localhost.
• Requests sin Origin se bloquean en prod; si DEV=true, se permiten para facilitar curl en dev.

Rate limiting

• Limite en memoria: 20 requests por minuto por IP.
• Usa CF-Connecting-IP (fallback a X-Forwarded-For).
• Responde 429 con headers Retry-After y X-RateLimit-*.
• Es best-effort: no se comparte entre instancias y se resetea al reciclar el worker.

Proveedor LLM OpenAI-compatible

• Secret obligatorio: LLM_API_KEY.
• Variables requeridas:
  • LLM_PROVIDER
  • LLM_BASE_URL
  • LLM_MODEL
• Proveedor actual: opencode Zen.
• Base URL actual: https://opencode.ai/zen/v1.
• Modelo actual: configurado por LLM_MODEL (mantener gpt-5.4-nano/opencode Zen si sigue siendo el modelo productivo elegido).
• Mantener stream: true para UX de chat.
• DEV=true permite CORS local y respuestas con detalle de errores upstream.
• No usar variables OPENROUTER_* en este Worker.
• No incluir payload propietario de OpenRouter (provider, models, allow_fallbacks, etc.).

Runtime agentic

• El Worker usa runProfileAgent() para clasificar audiencia/intencion y seleccionar contexto.
• Mantener una sola llamada LLM por mensaje.
• No introducir tool loops, KV, D1, Vectorize o MCP runtime sin una razon clara.
• El contexto se compone de facts criticos, bloques de perfil, proyectos y memorias.
• Si cambia contenido del sitio o posicionamiento profesional, actualizar src/knowledge/*.
• Para mantener alineados prompts visibles, knowledge y tests, seguir ../docs/cv-chat-agent-maintenance.md.
• La experiencia RAG debe describirse como exposicion ligera y practica del Google GenAI Intensive de 5 dias con capstone, no como experiencia RAG productiva profunda.

Tests

• Ejecutar desde la raiz: npm run test:profile-agent.
• Estos tests no llaman al LLM; validan que runProfileAgent() entrega el contexto correcto.
• Anadir regresiones cuando se detecte una pregunta importante que seleccione mal el contexto.

Notas

• Evitar dependencias extra; mantener el worker simple.
• No exponer claves en frontend.