Proyecto pre-IA
Cuándo usar esto: tienes una base de código funcional que nunca se preparó para el desarrollo asistido por IA. El conocimiento existe, pero está disperso y sin estructurar para personas o agentes LLM.
Flujo de trabajo
kaddo init # estado: pre-ai, tamaño de equipo, estructurakaddo scan # inventario técnico determinístico → .kaddo/scan.jsonkaddo context # context pack para el LLM → .kaddo/context-pack.mdkaddo add agents # instala los agent prompt packskaddo understand # plan guiado de handoff CLI → LLM# ── en tu LLM, usa capability-agent, architecture-agent y roadmap-agent para redactar# capacidades, el baseline de arquitectura y un roadmap ──kaddo create --from roadmap # convierte un candidato del roadmap en un Work Itemkaddo owners suggest # declara el ownership (code:) en el Work Itemkaddo guard # detecta posible deriva del conocimientokaddo explain # resume lo que Kaddo sabe actualmenteCLI vs LLM
- CLI (determinístico):
scanconstruye un inventario técnico;contextlo empaqueta;create,owners suggest,guardyexplainmantienen el conocimiento conectado al código. - LLM (interpretación): el capability-agent extrae capacidades de negocio, el architecture-agent reconstruye la arquitectura actual y el roadmap-agent propone un roadmap priorizado — todo desde el context pack, no desde suposiciones.
kaddo scan detecta señales y hace preguntas de confirmación; nunca afirma entender tus
capacidades de negocio. Esa interpretación ocurre en el LLM.
Artefactos esperados
.kaddo/scan.jsonarchitecture/inventory.mdarchitecture/capabilities.mdarchitecture/current-state.mdarchitecture/roadmap.mdarchitecture/work-items/*.md.kaddo/explain.mdSiguientes pasos
Empieza por las capacidades de mayor valor, declara ownership en los artefactos que mapean a
código real y deja que kaddo guard te avise cuando los cambios se alejen del conocimiento
documentado. Mira el Flujo completo.
Míralo en acción: el repo de demo Loyalty Lite (incluye una demo de drift con Guard), o explora todos los Ejemplos.