1. Descripción
2. Características Principales
3. Estructura del Proyecto
4. Requisitos Previos
5. Instalación
6. Configuración
7. Uso
8. Evaluación Ética y de Cumplimiento
9. TIPS y Trucos
10. Arquitectura del Sistema
11. Componentes Principales
12. Flujo de Trabajo
13. APIs y Servicios Integrados
14. Manejo de Errores y Logging
15. Optimización y Caché
16. Pruebas
17. Contribución
18. Registro de Cambios
19. ExperimentaLABs
20. Roadmap
21. Licencia
22. Contacto

MALLO (MultiAgent LLM Orchestrator) es una plataforma avanzada de orquestación de modelos de lenguaje que implementa una arquitectura distribuida basada en agentes. Diseñada específicamente para el procesamiento de consultas complejas, MALLO utiliza un sistema de selección dinámica de agentes que combina:

• Modelos de lenguaje locales para procesamiento de baja latencia
• APIs de modelos en la nube para tareas complejas
• Asistentes especializados para dominios específicos
• Sistemas de búsqueda y enriquecimiento de contexto

La arquitectura del sistema se basa en principios de diseño modular y extensible, permitiendo la integración seamless de nuevos modelos y servicios. El núcleo del sistema implementa algoritmos avanzados de evaluación de complejidad y selección de agentes, optimizando la relación entre precisión, latencia y consumo de recursos.

• Procesamiento Distribuido:

  • Pipeline de procesamiento paralelo para múltiples agentes
  • Sistema de votación y consenso para respuestas múltiples
  • Mecanismos de fallback y recuperación automática
  • Sistema robusto de manejo de errores para APIs externas
  • Selección automática de modelos basada en el tipo de consulta
  • Personalización de etapas de procesamiento (evaluación inicial, búsqueda web, meta-análisis, evaluación ética)

• Integración de Modelos:

  • Modelos locales vía Ollama para baja latencia (offline-capable)
  • APIs cloud premium (OpenAI, Anthropic, Groq)
  • Proveedores especializados (Together, DeepInfra, DeepSeek)
  • Modelos open-source optimizados (Mistral, Cohere)
  • Acceso a modelos avanzados vía OpenRouter con manejo robusto de errores
  • Soporte para modelos multimodales (Llama 4 Maverick/Scout)
  • Sistema de respaldo para modelos que fallan

• Análisis de Complejidad:

  • Evaluación heurística de consultas
  • Detección automática de dominio y contexto
  • Selección dinámica de agentes basada en métricas
  • Identificación de tipo de prompt para procesamiento especializado
  • Determinación automática de necesidad de búsqueda web y meta-análisis

• Optimización de Recursos:

  • Sistema de caché multinivel con validación
  • Balanceo dinámico de carga entre agentes
  • Gestión inteligente de cuotas y límites de API
  • Inicialización eficiente de componentes con @st.cache_resource
  • Sistema de respaldo para APIs no disponibles

• Motor de Búsqueda Multi-Fuente:

  • Integración primaria con API de YOU
  • Fallback a Tavily para búsquedas especializadas
  • Sistema de respaldo con DuckDuckGo
  • Agregación y deduplicación de resultados
  • Visualización detallada de resultados de búsqueda en pestaña dedicada
  • Identificación automática del proveedor de búsqueda utilizado

• Procesamiento de Contexto:

  • Análisis semántico de consultas
  • Extracción de entidades y relaciones
  • Generación de embeddings para búsqueda contextual
  • Procesamiento de documentos con OCR mediante Mistral
  • Carga de archivos integrada directamente en el chat

• Sistema de Evaluación Ética:

  • Detección automática de sesgos
  • Validación de privacidad y seguridad
  • Alineación con principios éticos configurables
  • Opción para activar/desactivar la evaluación ética
  • Visualización detallada de resultados de evaluación ética

• Mecanismos de Feedback:

  • Evaluación continua de calidad de respuestas
  • Sistema de aprendizaje basado en retroalimentación
  • Métricas de rendimiento en tiempo real
  • Exportación detallada de todo el proceso de análisis
  • Meta-análisis configurable para síntesis de múltiples fuentes

• UI Moderna y Responsive:

  • Framework Streamlit con diseño optimizado
  • Componentes dinámicos de visualización
  • Sistema de progreso en tiempo real
  • Interfaz simplificada con carga de documentos integrada en el chat
  • Personalización de etapas de procesamiento y selección de modelos
  • Sistema de pestañas para organizar la información (Detalles, Búsqueda Web, Meta-análisis, etc.)
  • Botón para limpiar la conversación y el contexto sin refrescar la página
  • Exportación mejorada con toda la información del procesamiento

• Logging y Observabilidad:

  • Logging estructurado con niveles configurables
  • Métricas Prometheus para monitoreo
  • Sistema de alertas para eventos críticos
  • Mensajes de error amigables y detallados para el usuario
  • Visualización en tiempo real del proceso de selección de modelos

• Sistema de Configuración Robusto:

  • Configuración centralizada via YAML
  • Soporte para múltiples entornos
  • Hot-reload de configuraciones
  • Guardado y carga de configuraciones personalizadas
  • Interfaz gráfica para personalizar etapas de procesamiento

• Arquitectura Extensible:

  • APIs bien documentadas para nuevos agentes
  • Sistema de plugins para funcionalidades adicionales
  • Hooks para personalización de comportamiento
  • Selección flexible de modelos principales y de respaldo
  • Organización de modelos por proveedor con nombres descriptivos

• Protección de Datos:

  • Encriptación en tránsito y en reposo
  • Sanitización de entradas y salidas
  • Gestión segura de credenciales
  • Verificación previa de disponibilidad de APIs
  • Sistema robusto de manejo de errores para APIs externas

• Auditoría y Compliance:

  • Registro detallado de operaciones
  • Trazabilidad de decisiones del sistema
  • Reportes de cumplimiento normativo
  • Validación de respuestas de APIs externas
  • Exportación completa de conversaciones con todos los detalles del procesamiento
  • Documentación de etapas ejecutadas en cada respuesta

• Sistema de Caché Avanzado:

  • Caché multinivel (memoria, disco, distribuido)
  • Políticas de invalidación inteligentes
  • Compresión y optimización de almacenamiento
  • Inicialización eficiente de componentes con @st.cache_resource
  • Carga diferida de recursos no críticos

• Gestión de Recursos:

  • Límites de consumo configurables
  • Balanceo de carga automático
  • Recuperación graceful ante fallos
  • Sistema de respaldo para modelos que fallan
  • Selección automática de modelos basada en disponibilidad y tipo de consulta

MALLO/
│
├── agents.py                   # Implementación de la clase AgentManager y lógica de agentes
├── config.yaml                 # Configuración general del sistema
├── config_streamlit.py         # Configuración de la interfaz de Streamlit
├── custom_config.json          # Configuración personalizada guardada por el usuario
├── document_processor.py       # Procesamiento de documentos y OCR
├── error_recovery.json         # Registro de errores para recuperación
├── load_secrets.py             # Carga de secretos y claves API
├── main.py                     # Punto de entrada principal y UI de Streamlit
├── model_loader.py             # Carga de modelos desde diferentes fuentes (OpenRouter, Groq, Ollama)
├── model_speeds.json           # Índice de velocidad de modelos locales y en la nube
├── README.md                   # Documentación del proyecto (este archivo)
├── utilities.py                # Funciones de utilidad y helpers
├── CHANGELOG.md                # Registro de cambios y versiones
│
├── .streamlit/                 # Configuración de Streamlit
│   └── secrets.toml            # Almacenamiento seguro de claves API (no incluido en el repositorio)
│
├── assets/                     # Directorio para recursos estáticos (imágenes, estilos, etc.)
│
├── docs/                       # Documentación adicional
│   ├── informes/               # Informes técnicos, de investigación y otros documentos
│   │
│   └── ejemplos_consultas/     # Ejemplos de consultas y respuestas para demostración
│
├── legacy_code/                # Código histórico y no esencial
│   ├── cache_manager.py        # Sistema de caché (versión anterior)
│   ├── cached_init.py          # Inicialización en caché (versión anterior)
│   ├── compatibility_check.py  # Verificación de compatibilidad
│   ├── groq_model_speeds.json  # Velocidades de modelos Groq
│   ├── mallo.log               # Archivo de registro
│   └── mallo_enhancer.py       # Lógica experimental para mejorar respuestas
│
├── static/                     # Archivos estáticos para la interfaz
│
├── temp/                       # Directorio para archivos temporales
│
├── tools/                      # Utilidades externas
│   ├── test_groq_model_speed.py    # Script para medir velocidad de modelos Groq
│   ├── test_model_speeds.py        # Script para medir velocidad de modelos
│   └── test_replicate_model_speed.py # Script para medir velocidad de modelos Replicate
│
├── packages.txt                # Dependencias del sistema
└── requirements.txt            # Dependencias de Python

• Python 3.8+
• Ollama instalado localmente (para modelos locales)
• Claves API para servicios externos (OpenAI, Groq, Together, etc.)
• Conexión a Internet (para búsqueda web y APIs externas)

1. Clona el repositorio:

   git clone https://github.com/bladealex9848/MALLO.git
   cd MALLO
   

2. Crea y activa un entorno virtual:

   python3 -m venv venv
   source venv/bin/activate  # En Windows usa `venv\Scripts\activate`
   

3. Instala las dependencias:

   pip install -r requirements.txt
   

4. Configura tus claves API: Crea un archivo .streamlit/secrets.toml y añade tus claves API:

   OPENAI_API_KEY = "tu_clave_openai_aqui"
   GROQ_API_KEY = "tu_clave_groq_aqui"
   TOGETHER_API_KEY = "tu_clave_together_aqui"
   DEEPINFRA_API_KEY="tu_clave_deepinfra_aqui"
   ANTHROPIC_API_KEY="tu_clave_anthropic_aqui"
   DEEPSEEK_API_KEY="tu_clave_deepseek_aqui"
   MISTRAL_API_KEY="tu_clave_mistral_aqui"
   COHERE_API_KEY="tu_clave_cohere_aqui"
   REPLICATE_API_TOKEN= "tu_clave_replicate_aqui"
   OPENROUTER_API_KEY= "tu_clave_openrouter_aqui"
   # Añade otras claves API según sea necesario

El archivo config.yaml contiene la configuración principal del sistema. Aquí puedes ajustar:

• Modelos disponibles para cada proveedor de LLM
• Prioridades de procesamiento
• Umbrales de complejidad para la selección de agentes
• Configuración de asistentes especializados
• Parámetros de utilidades como búsqueda web y análisis de imágenes

Ejemplo de configuración:

ollama:
  base_url: "http://localhost:11434"
  default_model: "gemma2:2b"
  models:
    - "gemma2:2b"
    - "llava:latest"

openai:
  default_model: "gpt-5-nano"
  models:
    - "gpt-5-nano"

# ... (otras configuraciones)

thresholds:
  moa_complexity: 0.8
  local_complexity: 0.5
  web_search_complexity: 0.4

Para iniciar la aplicación, ejecuta:

streamlit run main.py

Luego, abre tu navegador y ve a http://localhost:8501.

La interfaz de usuario te permitirá:

1. Ingresar consultas en lenguaje natural y adjuntar archivos directamente en el campo de chat.
2. Ver las respuestas generadas por el sistema.
3. Observar el progreso del procesamiento en tiempo real.
4. Personalizar las etapas de procesamiento (evaluación inicial, búsqueda web, meta-análisis, evaluación ética).
5. Seleccionar modelos principales y de respaldo para el procesamiento.
6. Guardar y cargar configuraciones personalizadas.
7. Limpiar la conversación y el contexto sin necesidad de refrescar la página.
8. Exportar la conversación completa con todos los detalles del procesamiento.

La interfaz incluye:

• Un chat limpio que muestra las preguntas y respuestas.
• Una barra lateral con opciones de configuración y personalización.
• Pestañas organizadas para acceder a diferentes tipos de información:
  • 💡 Detalles: Muestra información sobre el procesamiento interno, incluyendo agentes utilizados y tiempos de respuesta.
  • 🔍 Búsqueda Web: Presenta los resultados de búsqueda web y el proveedor utilizado.
  • 🔄 Meta-análisis: Muestra el análisis combinado de múltiples fuentes cuando está activado.
  • ⚖️ Evaluación Ética: Presenta los resultados de la evaluación ética de cada respuesta.
  • 💬 Contexto: Muestra el contexto acumulado de la conversación.
  • 📚 Documentos: Presenta los documentos procesados cuando se adjuntan archivos.
  • 📊 Métricas: Muestra estadísticas de rendimiento del sistema.
  • 📤 Exportar: Permite exportar la conversación en diferentes formatos.

MALLO implementa un sistema integral de evaluación ética y cumplimiento normativo fundamentado en el Acuerdo PCSJA24-12243 del 16 de diciembre de 2024 y los principios del documento CONPES 4144 del 14 de febrero de 2025, que establecen:

La evaluación se realiza sobre los siguientes criterios fundamentales:

1. Primacía de Derechos Fundamentales
   • Respeto y protección de derechos fundamentales.
   • Promoción de garantías constitucionales.
   • Alineación con mandatos superiores.
2. Regulación Ética
   • Cumplimiento de mandatos constitucionales y legales.
   • Adherencia al Código Iberoamericano de Ética.
   • Uso razonable de sistemas de IA.
3. Transparencia y Responsabilidad
   • Identificación clara del uso de IA.
   • Explicación detallada de fuentes y metodologías.
   • Documentación de procesos y decisiones.
4. Seguridad y Privacidad
   • Protección de datos personales.
   • Prevención de sesgos y discriminación.
   • Mantenimiento de la confidencialidad de la información.

1. Control y Verificación Humana
   • Revisión detallada de resultados.
   • Validación de fuentes y referencias.
   • Supervisión de impactos y consecuencias.
2. Proceso de Mejora
   • Intervención del asistente especializado de transformación digital (ID: 'asst_F33bnQzBVqQLcjveUTC14GaM').
   • Refinamiento de respuestas según criterios éticos.
   • Validación de cumplimiento normativo.

1. Marco Legal Aplicable
   • Sentencia T-323 de 2024 de la Corte Constitucional.
   • Directrices internacionales de gobernanza de IA.
   • Normativas específicas del sector judicial.
   • Lineamientos del documento CONPES 4144 de 2025.
2. Salvaguardas Específicas
   • Protección de datos personales y privacidad.
   • Prevención de sesgos y discriminación.
   • Garantía de acceso a la justicia.

1. Registro de Evaluaciones
   • Documentación detallada del proceso evaluativo.
   • Identificación de herramientas y modelos utilizados.
   • Registro de modificaciones y mejoras realizadas.
2. Acceso a la Información
   • Disponibilidad de resultados de evaluación.
   • Explicación de criterios aplicados.
   • Trazabilidad de decisiones y procesos. Esta implementación asegura que MALLO opere bajo los más altos estándares éticos y legales, proporcionando un servicio que no solo es técnicamente competente, sino también responsable y transparente en su funcionamiento.

MALLO está diseñado para detectar automáticamente el tipo de consulta y aplicar prompts especializados. Sin embargo, puedes ayudar al sistema a seleccionar el prompt más adecuado incluyendo ciertas palabras clave en tu consulta. Aquí te presentamos algunas sugerencias:

1. Matemáticas: Palabras clave: "cálculo", "ecuación", "álgebra", "geometría", "estadística", "probabilidad"

2. Programación: Palabras clave: "código", "algoritmo", "función", "debug", "software", "desarrollo"

3. Legal: Palabras clave: "ley", "legislación", "jurídico", "contrato", "demanda", "jurisprudencia"

4. Científico: Palabras clave: "experimento", "hipótesis", "teoría", "investigación", "método científico"

5. Histórico: Palabras clave: "época", "siglo", "período", "civilización", "evento histórico"

6. Filosófico: Palabras clave: "ética", "metafísica", "epistemología", "lógica", "existencialismo"

7. Contexto Colombiano: Palabras clave: "Colombia", "Bogotá", "Medellín", "Andes", "Caribe", "cultura colombiana"

8. Cultural: Palabras clave: "arte", "literatura", "música", "tradición", "costumbres"

9. Político: Palabras clave: "gobierno", "elecciones", "política pública", "partidos políticos", "constitución"

10. Económico: Palabras clave: "mercado", "inflación", "PIB", "finanzas", "economía"

Incluir estas palabras clave en tu consulta puede ayudar a MALLO a aplicar el prompt especializado más adecuado, lo que potencialmente mejorará la precisión y relevancia de las respuestas.

1. Sé Específico: Cuanto más específica sea tu consulta, mejor podrá MALLO seleccionar los agentes y prompts adecuados.

2. Contexto: Proporciona contexto adicional cuando sea necesario. Por ejemplo, si estás haciendo una pregunta sobre historia colombiana, menciona explícitamente "en el contexto de la historia de Colombia".

3. Usa Terminología Relevante: Incluir términos técnicos o específicos del campo puede ayudar a MALLO a identificar mejor el dominio de conocimiento.

4. Solicita Análisis: Si necesitas un análisis más profundo, puedes incluir frases como "analiza en profundidad" o "proporciona un análisis detallado".

5. Pide Múltiples Perspectivas: Si deseas que MALLO utilice múltiples agentes, puedes solicitar explícitamente "diferentes perspectivas" o "análisis desde varios ángulos".

Recuerda que MALLO está diseñado para ser intuitivo y adaptativo, pero proporcionar estas pistas adicionales puede ayudar a obtener respuestas más precisas y relevantes.

MALLO utiliza una arquitectura de microservicios basada en agentes, donde cada agente (modelo de lenguaje o servicio especializado) puede procesar consultas de manera independiente. El componente central, AgentManager, orquesta estos agentes basándose en la complejidad de la consulta, el tipo de prompt y la disponibilidad de recursos.

1. Orquestador de Agentes: Selecciona y gestiona los agentes apropiados para cada consulta, con sistema de respaldo.
2. Evaluador de Complejidad y Tipo: Analiza las consultas para determinar su complejidad, tipo de prompt y requisitos específicos.
3. Sistema de Caché: Almacena y recupera respuestas para consultas frecuentes, con inicialización eficiente de recursos.
4. Módulo de Búsqueda Web: Enriquece las respuestas con información actual de la web usando múltiples proveedores.
5. Interfaz de Usuario: Proporciona una experiencia interactiva con personalización de etapas y selección de modelos.
6. Cargador de Modelos: Gestiona la carga dinámica de modelos desde diferentes fuentes (OpenRouter, Groq, Ollama).

• Clase AgentManager:
  • Gestiona la inicialización y selección de agentes.
  • Implementa la lógica de procesamiento de consultas.
  • Maneja la integración con diferentes APIs de LLM.
  • Sistema de respaldo para modelos que fallan.

• Funciones para evaluación de complejidad de consultas.
• Implementación de búsqueda web con múltiples proveedores.
• Sistema de caché para respuestas.
• Funciones de logging y manejo de errores.
• Evaluación de tipo de prompt y requisitos.

• Implementa la interfaz de usuario con Streamlit.
• Gestiona el flujo principal de la aplicación.
• Procesa las entradas del usuario y muestra las respuestas.
• Sistema de pestañas para organizar la información.
• Personalización de etapas de procesamiento.

• Carga dinámica de modelos desde diferentes fuentes.
• Integración con OpenRouter para modelos gratuitos.
• Acceso a todos los modelos disponibles en Groq.
• Carga de modelos locales desde Ollama.

1. El usuario ingresa una consulta a través de la interfaz de Streamlit.
2. La consulta se evalúa para determinar su complejidad, tipo de prompt y requisitos.
3. Se selecciona el agente o conjunto de agentes más apropiados basado en el tipo de consulta.
4. Si es necesario, se realiza una búsqueda web para enriquecer el contexto.
5. Los agentes seleccionados procesan la consulta, con sistema de respaldo si alguno falla.
6. Se evalúa éticamente la respuesta y se refina si es necesario.
7. Si está activado, se realiza un meta-análisis para sintetizar múltiples perspectivas.
8. La respuesta final se presenta al usuario junto con detalles del proceso en pestañas organizadas.

MALLO integra varios servicios de LLM y APIs, incluyendo:

• OpenAI (GPT-4, GPT-3.5)
• Groq (Llama 3, Mixtral, Gemma)
• Together (Llama 3, Falcon, Yi)
• DeepInfra (Llama 3, Mistral)
• Anthropic (Claude 3)
• DeepSeek (DeepSeek Coder)
• Mistral (Mistral Large, Medium, Small)
• Cohere (Command R+, Command R)
• Ollama (modelos locales)
• OpenRouter (acceso a modelos gratuitos y de pago)
• Z.AI (GLM-4.6 - modelo avanzado con capacidades multimodales y soporte multilingüe)
• RouteLLM (Route-LLM - sistema inteligente de enrutamiento y optimización de costos)

Cada servicio se inicializa y gestiona a través de la clase AgentManager y el módulo model_loader.py, permitiendo una fácil expansión a nuevos proveedores en el futuro. Los modelos se organizan por proveedor con nombres descriptivos para facilitar su selección.

El sistema implementa un robusto sistema de logging y manejo de errores:

• Los errores se registran en el archivo mallo.log.
• Se utilizan diferentes niveles de logging (INFO, WARNING, ERROR) para categorizar los eventos.
• Los errores críticos se muestran al usuario a través de la interfaz de Streamlit.
• Sistema de verificación previa de disponibilidad de APIs para prevenir errores.
• Manejo robusto de errores para APIs externas con mensajes detallados y útiles.
• Recuperación automática mediante sistemas de respaldo cuando un modelo o servicio falla.

Para mejorar el rendimiento y reducir la carga en las APIs externas, MALLO implementa:

• Un sistema de caché para almacenar respuestas frecuentes.
• Inicialización eficiente de componentes con @st.cache_resource.
• Evaluación de complejidad y tipo de prompt para optimizar el uso de recursos.
• Selección inteligente de agentes basada en el tipo de consulta, disponibilidad y rendimiento histórico.
• Sistema de respaldo para modelos que fallan, garantizando respuestas incluso cuando algunos servicios no están disponibles.
• Carga diferida de recursos no críticos para mejorar el tiempo de inicio.

El proyecto incluye un conjunto de pruebas unitarias y de integración en el directorio tests/. Para ejecutar las pruebas:

python -m unittest discover tests

Las contribuciones son bienvenidas. Por favor, sigue estos pasos:

1. Haz fork del repositorio.
2. Crea una nueva rama (git checkout -b feature/AmazingFeature).
3. Realiza tus cambios y haz commit (git commit -m 'Add some AmazingFeature').
4. Push a la rama (git push origin feature/AmazingFeature).
5. Abre un Pull Request.

Consulta CHANGELOG.md para ver el historial detallado de cambios del proyecto.

• v2.8.4 (21/12/2025): Compatibilidad con GPT-5 (max_completion_tokens, temperature), corrección OpenRouter/Z.AI/RouteLLM, integración completa de nuevos proveedores, actualización de MOA y evaluation_models con modelos verificados.
• v2.8.3 (21/12/2025): Integración de Z.AI (GLM-4.6) y RouteLLM (route-llm) con soporte completo.
• v2.8.2 (21/12/2025): Correcciones de estabilidad en clientes API (proxies), búsqueda YOU, cambio de modelo de evaluación inicial a DeepSeek-Chat.
• v2.8.1 (21/12/2025): Actualización de modelos descontinuados, integración de librería youdotcom para YOU Search API.
• v2.8.0 (15/04/2025): Implementación de personalización de etapas de procesamiento, selección de modelos y mejoras en la interfaz de usuario.

MALLO incluye ahora características experimentales diseñadas para mejorar la calidad de las instrucciones y respuestas mediante un proceso de reflexión iterativa. Estas características están disponibles a través de la función process_user_input_experimental.

MALLOEnhancer es una nueva clase que implementa un enfoque de reflexión y mejora utilizando múltiples modelos de lenguaje. Esta característica está diseñada para:

• Mejorar iterativamente las instrucciones y respuestas.
• Utilizar múltiples APIs de LLM para obtener diversas perspectivas.
• Evaluar la calidad de las instrucciones y respuestas mediante métricas como IFD y r-IFD.

Para habilitar estas características experimentales, use la bandera --experimental al iniciar la aplicación:

streamlit run main.py -- --experimental

Nuestros planes futuros para MALLO incluyen:

1. Refinar y optimizar el proceso de reflexión iterativa en MALLOEnhancer.
2. Mejorar la integración y el uso eficiente de múltiples APIs de LLM.
3. Desarrollar métricas más avanzadas para la evaluación de la calidad de instrucciones y respuestas.
4. Implementar un sistema de aprendizaje continuo basado en el feedback de los usuarios.
5. Explorar la posibilidad de fine-tuning de modelos basados en los resultados de MALLOEnhancer.

Estas características experimentales representan nuestro compromiso con la mejora continua de MALLO y la exploración de nuevas formas de optimizar la interacción entre humanos y LLMs.

Este proyecto está licenciado bajo la Licencia MIT - vea el archivo LICENSE para más detalles.

Alexander Oviedo Fadul

GitHub | Website | Instagram | Twitter | Facebook | WhatsApp | LinkedIn# Webhook auto-deploy test - Mon Dec 22 04:42:19 UTC 2025