Agente de inteligencia artificial de monitoreo de problemas de GitHub con Mastra

Presentamos un relato práctico sobre la construcción de un agente IA para monitorear issues de GitHub utilizando Mastra y la integración A2A de Telex.im. El objetivo fue automatizar la vigilancia de repositorios, generar resúmenes inteligentes de cambios y entregar notificaciones útiles en canales de comunicación, todo corriendo en segundo plano.

El reto principal consistió en reducir la carga manual de revisar múltiples repositorios y ofrecer resúmenes accionables. La solución resultó ser un agente sencillo y robusto que combina llamadas a la API de GitHub, formateo directo para garantizar consistencia y cumplimiento del protocolo A2A de Telex.im.

Tecnologías utilizadas: Mastra como framework de agentes, Telex.im con soporte A2A, Azure App Service para despliegue, Node.js y TypeScript para el backend, Octokit para integrar la API de GitHub y un modelo de lenguaje como GPT 4o mini para enriquecimiento cuando es necesario.

Visión general de la arquitectura: el flujo inicia con un mensaje entrante desde Telex, que llega en formato JSON RPC 2.0. Un servicio en Azure recibe la petición, parsea y enruta el mensaje hacia un agente simple que consulta GitHub mediante Octokit, formatea la respuesta y devuelve una estructura compatible con A2A para que Telex muestre la salida.

Construcción del agente paso a paso: preparé un agente Mastra con instrucciones claras para monitorizar issues y generar resúmenes concisos. La integración con GitHub se hizo usando Octokit y un token de acceso con permisos de lectura. Para garantizar salidas predecibles y ahorrar costes en llamadas a LLM, prefiero formatear la respuesta con JavaScript en el servidor cuando se trata de listados y enlaces simples; el LLM se reserva para análisis más complejos o resúmenes inteligentes.

Formato directo frente a LLM: el formateo directo es más rápido, más barato y más fácil de depurar. Para resúmenes avanzados o clasificación semántica de issues, el agente invoca de forma opcional el modelo de lenguaje y agrega la capa de inteligencia necesaria.

Soporte del protocolo A2A: implementar compatibilidad con JSON RPC 2.0 fue clave. El servicio analiza estructuras anidadas para extraer la última parte de texto, procesa comandos o consultas y devuelve una respuesta con la estructura requerida por Telex, incluyendo partes de mensaje con contenido de texto listo para mostrar.

Despliegue y automatización: el proyecto se desplegó en Azure App Service usando GitHub Actions. La canalización instala dependencias, compila TypeScript y publica el servicio. Las variables de entorno gestionan claves y parámetros como el token de GitHub, el intervalo de chequeo y el puerto de la aplicación.

Ejemplo de interacción: usuario solicita revisar facebook react y el agente responde con un resumen del repositorio, número total de issues abiertas y las cinco entradas más recientes con número, título, autor, etiquetas y enlace directo al issue o pull request. El agente además ofrece filtros por etiqueta o rango de fechas bajo petición.

Desafíos y soluciones: problemas con respuestas vacías del LLM se mitigaron forzando el uso de herramientas y finalmente optando por formateo directo cuando procedía. El parsing del formato A2A exigió una función flexible que soportara distintos esquemas de mensaje. También hubo que ajustar imports en TypeScript para usar extensiones .js relativas y excluir archivos de prueba del build en Azure.

Rendimiento y métricas: llamadas a la API de GitHub alrededor de 500 milisegundos, formateo inferior a 50 milisegundos y respuestas completas en 2 a 3 segundos en promedio. El servicio alcanzó alta disponibilidad con manejo de errores explícito y logging detallado para trazabilidad en producción.

Aprendizajes clave: simplicidad antes que complejidad, importancia de cumplir con el protocolo A2A y JSON RPC, valor de despliegues automáticos en Azure y la necesidad de logs y manejo de errores robusto para agentes en producción.

Mejoras futuras: filtros avanzados por etiquetas, hitos y responsables, monitorización de múltiples repositorios en una sola consulta, caching para reducir llamadas a la API, notificaciones en tiempo real para cambios críticos y panel de análisis con tendencias e insights. También se plantea usar LLM para resúmenes inteligentes cuando convenga.

Sobre Q2BSTUDIO: en Q2BSTUDIO somos una empresa de desarrollo de software especializada en soluciones a medida y aplicaciones a medida. Ofrecemos servicios de inteligencia artificial, ciberseguridad, servicios cloud aws y azure y soluciones de inteligencia de negocio. Si buscas desarrollar una aplicación personalizada o modernizar un workflow con agentes IA, consulta nuestra propuesta de software a medida y aplicaciones a medida y descubre opciones de despliegue y operación en la nube en servicios cloud aws y azure.

Palabras clave integradas: aplicaciones a medida, software a medida, inteligencia artificial, ciberseguridad, servicios cloud aws y azure, servicios inteligencia de negocio, ia para empresas, agentes IA y power bi, pensadas para mejorar posicionamiento y relevancia en búsquedas relacionadas con desarrollo y transformación digital.

Consejos prácticos para quien quiera replicar la solución: empezar probando llamadas simples con curl, validar localmente antes de desplegar, estudiar el spec de A2A y JSON RPC, usar variables de entorno para credenciales, probar casos límite como respuestas vacías y errores de API y mantener logs detallados desde el primer día.

Conclusión: construir un agente de monitoreo de issues de GitHub con Mastra y Telex.im es factible y aporta valor operativo al automatizar la vigilancia de proyectos. Combinando formateo directo para tareas rutinarias y modelos de lenguaje para análisis complejos se logra un equilibrio entre coste, rendimiento y utilidad. Si deseas ayuda para llevar esta idea a producción con estándares de seguridad y escalabilidad, Q2BSTUDIO puede acompañarte desde la concepción hasta la operación.