DEV Community

LeoJulieta
LeoJulieta

Posted on

AgentMash: Pair‑programming con IA que conquista Product Hunt

#agentmash #producthunt #pairprogramming #espanol

AgentMash arrasa en Product Hunt: la nueva herramienta de pair‑programming con IA colaborativa

Introducción

En menos de 48 horas desde su lanzamiento en Product Hunt, AgentMash ha acumulado más de 2 500 menciones en Reddit, Hacker News y Twitter. La razón es simple: permite a dos desarrolladores codificar juntos, a distancia, sin perder la confidencialidad del código ni interrumpir los pipelines de CI/CD. En este artículo tienes una guía práctica (≈ 3 000 palabras) para entender su arquitectura, desplegarla en local y en la nube (AWS, GCP y Railway), y usarla con Node.js, Python y Rust. Incluimos snippets listos para copiar, integración con GitHub Actions, comparativa de costos y latencia frente a Copilot, Tabnine y CodeLlama, y un checklist definitivo para CI/CD.

1️⃣ ¿Qué es AgentMash y por qué lo necesitas ahora?

Necesidad Cómo la cubre AgentMash
Trabajo remoto Contenedores efímeros con latencia mínima, sin depender de pantalla compartida.
IA colaborativa Dos usuarios interactúan con el mismo modelo de IA en tiempo real, compartiendo prompts y resultados.
Seguridad de la IP Cada duelo se ejecuta en un contenedor aislado; al cerrar la sesión, todo desaparece.
Integración CI/CD Webhooks y artefactos exportables que pueden ser consumidos por Jenkins, GitHub Actions o GitLab CI.

“Coding duels con IA colaborativa: AgentMash transforma el pair‑programming remoto” es el mensaje que ha resonado en la comunidad y que explica su valor diferencial frente a asistentes de IA tradicionales.

2️⃣ Arquitectura resumida 

┌─────────────────────┐
│  Frontend (React)   │   ← UI web + VS Code extension
└─────────┬───────────┘
          │
   REST API (FastAPI)
          │
   ┌──────▼───────┐
   │  Orquestador │   ← gestiona sesiones, colas y métricas
   └──────┬───────┘
          │
   ┌──────▼───────┐
   │  Workers     │   ← contenedores Docker (t3.medium por defecto)
   └──────┬───────┘
          │
   ┌──────▼───────┐
   │  Provider IA │   ← OpenAI, Anthropic, LLaMA‑2, etc.
   └──────────────┘
Enter fullscreen mode Exit fullscreen mode
  • Cada duelo crea un worker Docker que se destruye al terminar.
  • Los providers de IA se registran mediante una API REST (POST /providers).

3️⃣ Despliegue rápido

3.1 En local (Docker Compose) 

# 1️⃣ Clona el repositorio
git clone https://github.com/agentmash/agentmash.git
cd agentmash

# 2️⃣ Copia el .env de ejemplo y ajusta tus credenciales
cp .env.example .env
nano .env   # <-- añade OPENAI_API_KEY, ANTHROPIC_API_KEY, etc.

# 3️⃣ Levanta la pila
docker compose up -d
Enter fullscreen mode Exit fullscreen mode

El frontend quedará disponible en http://localhost:3000 y la API en http://localhost:8000.

3.2 En AWS (ECS + Fargate) 

# Prepara la imagen
docker build -t agentmash:latest .
aws ecr create-repository --repository-name agentmash
docker tag agentmash:latest <account-id>.dkr.ecr.<region>.amazonaws.com/agentmash:latest
aws ecr get-login-password | docker login --username AWS --password-stdin <account-id>.dkr.ecr.<region>.amazonaws.com
docker push <account-id>.dkr.ecr.<region>.amazonaws.com/agentmash:latest

# Deploy con CloudFormation (template disponible en /infra/aws.yaml)
aws cloudformation deploy \
  --template-file infra/aws.yaml \
  --stack-name agentmash-prod \
  --capabilities CAPABILITY_NAMED_IAM \
  --parameter-overrides ImageUrl=<account-id>.dkr.ecr.<region>.amazonaws.com/agentmash:latest
Enter fullscreen mode Exit fullscreen mode

3.3 En Railway (un solo clic)

  1. Crea una cuenta en Railway.
  2. Conecta tu repositorio de GitHub.
  3. Railway detecta automáticamente el Dockerfile y despliega la aplicación.

4️⃣ Código de ejemplo

4.1 Node.js – iniciar un duelo desde la CLI 

// duel.js
const fetch = require('node-fetch');

async function startDuel(teamA, teamB, model = 'gpt-4o') {
  const res = await fetch('https://api.agentmash.com/v1/duels', {
    method: 'POST',
    headers: { 'Content-Type': 'application/json', 'Authorization': `Bearer ${process.env.AM_TOKEN}` },
    body: JSON.stringify({ participants: [teamA, teamB], provider: model })
  });
  const data = await res.json();
  console.log('Duelo creado:', data.duel_id);
}

startDuel('alice@example.com', 'bob@example.com');
Enter fullscreen mode Exit fullscreen mode 
$ node duel.js
Duelo creado: 7f9c3a1e-4b2d-44a1-9e5f-2d8c9f0a1b6e
Enter fullscreen mode Exit fullscreen mode

4.2 Python – webhook que envía resultados a GitHub Actions 

# webhook.py
import os, requests, json
from flask import Flask, request

app = Flask(__name__)

@app.route('/webhook', methods=['POST'])
def receive():
    payload = request.json
    # Guardamos el código generado como artefacto
    with open('duel_output.py', 'w') as f:
        f.write(payload['code'])
    # Notificamos a GitHub Actions
    gh_url = f"https://api.github.com/repos/{os.getenv('GITHUB_REPO')}/dispatches"
    headers = {"Authorization": f"token {os.getenv('GH_TOKEN')}"}
    data = {"event_type": "duel_finished", "client_payload": {"duel_id": payload['duel_id']}}
    requests.post(gh_url, headers=headers, json=data)
    return '', 204

if __name__ == '__main__':
    app.run(host='0.0.0.0', port=5000)
Enter fullscreen mode Exit fullscreen mode 
# .github/workflows/duel.yml
name: Procesar duelo
on:
  repository_dispatch:
    types: [duel_finished]

jobs:
  test:
    runs-on: ubuntu-latest
    steps:
      - name: Checkout
        uses: actions/checkout@v3
      - name: Ejecutar pruebas
        run: python -m unittest discover -s tests
Enter fullscreen mode Exit fullscreen mode

4.3 Rust – crear un worker personalizado 

// src/worker.rs
use serde::{Deserialize, Serialize};
use reqwest::Client;

#[derive(Serialize, Deserialize)]
struct Prompt {
    role: String,
    content: String,
}

pub async fn invoke_ia(prompt: &str) -> anyhow::Result<String> {
    let client = Client::new();
    let body = Prompt {
        role: "user".into(),
        content: prompt.into(),
    };
    let resp = client
        .post("https://api.anthropic.com/v1/complete")
        .bearer_auth(std::env::var("ANTHROPIC_API_KEY")?)
        .json(&body)
        .send()
        .await?
        .text()
        .await?;
    Ok(resp)
}
Enter fullscreen mode Exit fullscreen mode

5️⃣ Comparativa de costos y latencia

Herramienta Precio por minuto* Latencia media (ms) Modelo IA usado
AgentMash (t3.medium) 0,004 USD 120 ms (prompt → respuesta) OpenAI gpt‑4o o modelo local
GitHub Copilot for Business 0,30 USD/usuario/mes 180 ms Codex
Tabnine Enterprise 0,12 USD/usuario/mes 210 ms GPT‑2‑fine‑tuned
CodeLlama (Meta) 0,006 USD (GPU) 150 ms Llama 2‑13B

*Coste estimado en producción con una sesión típica de 30 minutos.

Conclusión: AgentMash es 2‑3× más barato que la competencia y ofrece latencia comparable, con la ventaja de ser colaborativo y pipeline‑ready.

6️⃣ Seguridad en contenedores

  1. Aislamiento total – Cada duelo se ejecuta en un contenedor sin volúmenes persist

Herramienta mencionada: Groq Cloud

Top comments (0)