F00 — Foundation & Overview

AI Software Factory OS — Overview

Version 7.7.0 | Marzo 2026

---

1. QUE ES AI SOFTWARE FACTORY OS

AI Software Factory OS es un sistema operativo para fabricas de software autonomas que implementa un Agentic Development Lifecycle (ADLC) completo — desde la estrategia hasta la operacion autonoma — donde celulas autonomas de desarrollo (FABs) construyen, testean, aseguran y despliegan software de forma continua.

La unidad fundamental de ejecucion es el Fullstack Agent Builder (FAB): una celula autonoma de desarrollo compuesta por N agentes especializados (arquitecto, builder, QA, security, ops) que ejecutan el lifecycle completo de 10 fases de forma coordinada, con oversight humano configurable.

No es una coleccion de tips, ni una guia de prompts, ni un template de proyecto. Es un sistema operativo de ingenieria agentica — con lifecycle de 10 fases, gates, roles, guias operativas, templates ejecutables, agents especializados, CI/CD integrado y un Factory OS para orquestacion autonoma de celulas FAB — disenado para equipos que construyen software en la era de las Software Factories basadas en agentes.

“La IA no reemplaza al ingeniero — lo convierte en orquestador de celulas autonomas que construyen sistemas completos.”

En una oracion

Un framework open-source, stack-agnostico, en espanol, que define un Agentic Development Lifecycle (ADLC) disciplinado para construir software con celulas autonomas de agentes AI (FABs) — desde la estrategia hasta la Factory-Native Software Factory — adaptable a equipos de 1 a 10 personas.

Contexto de la industria (Marzo 2026)

El SDLC tradicional esta siendo formalmente reemplazado por modelos agenticos:

• ADLC (EPAM, Cycode): lifecycle para sistemas no-deterministicos donde LLMs son el core
• AI-DLC (AWS): framework open-source para guiar agentes a traves de fases de desarrollo
• Dark Software Factory (BCG Platinion): agentes autonomos construyen, testean y despliegan 24/7
• Harness Engineering (OpenAI, Anthropic): disciplina de disenar la fabrica misma

AI Software Factory OS integra todos estos conceptos en un lifecycle unificado de 10 fases con 3 tracks adaptativos.

---

2. QUE PROBLEMA RESUELVE

El problema

En Marzo 2026, el 92% de los desarrolladores usa herramientas AI diariamente y el 41% del codigo global es generado por IA. Pero la mayoria de los equipos:

• No tienen proceso: usan AI de forma ad-hoc, sin disciplina ni repetibilidad
• No miden calidad: no saben si el agente produce codigo bueno o malo
• No controlan costos: facturas sorpresa de $10K+ por llamadas a modelos
• No gestionan contexto: sesiones de agente que se degradan despues de 30 minutos
• No tienen seguridad: inputs del LLM tratados como trusted, sin guardrails
• No saben escalar: funcionan con 1 agente pero no saben como orquestar 5

El resultado: productividad individual alta, calidad organizacional baja. Exactamente lo que DORA 2025 diagnostico: “AI is an amplifier — it magnifies an organization’s existing strengths AND weaknesses.”

Lo que AI Software Factory OS ofrece

Un sistema operativo de fabrica de software que convierte la productividad individual con AI en capacidad organizacional repetible mediante celulas autonomas de desarrollo (FABs):

Sin framework	Con framework
Cada dev usa AI diferente	Proceso unificado con 3 tracks
No hay specs → codigo incoherente	Spec-First: contratos antes que codigo
No hay evals → calidad desconocida	Golden datasets + CI pipeline
Costos invisibles	FinOps con budgets, alertas, routing
Sesiones de agente que se pierden	HANDOFF.md + checkpoints + context layers
Seguridad como afterthought	OWASP Agentic Top 10 integrado
Un agente para todo	6 agents especializados + 4 patrones de orquestacion

---

3. PARA QUIEN ES

Audiencia primaria

Perfil	Como lo usa
Tech Lead / Architect	Define el track (Full/Lean/Solo), selecciona stack, establece gates y quality bars
Developer (IC)	Sigue el lifecycle, usa skills y agents, genera specs y codigo con agentes
Founder tecnico / Solo dev	Track Solo: 1-7 dias de idea a MVP desplegado con agents
Engineering Manager	Establece policies, tracks de adopcion AI, metricas de observability

Audiencia secundaria

Perfil	Como lo usa
QA / Security	Agents especializados (@qa_engineer, @security_reviewer), compliance mapping
Product Manager	Fase 1 (Strategy), specs como source of truth, feedback loops
Consultor / Formador	Framework como curriculum de AI-First Engineering

Tamano de equipo

El framework esta optimizado para equipos compactos de maximo 3 personas por proyecto. Si tienes mas personas, puedes paralelizar con multi-agent patterns, pero cada stream sigue siendo de 1-3 personas.

---

4. FILOSOFIA Y PRINCIPIOS

Los 12 principios fundacionales

#	Principio	Que significa
1	AI-First, Not AI-Only	IA donde aporta valor, determinismo donde no. Si un if/else es mas claro, usalo.
2	Spec-First	Contratos (OpenAPI, schemas, specs) antes que codigo. El agente implementa specs, no ideas vagas.
3	Throwaway-First	El codigo es efimero (<1 ano de vida util). Las decisiones (ADRs) son permanentes. Regenerar > reparar.
4	Agent UX	Las herramientas se disenan para humanos Y agentes. CLAUDE.md, MCP servers, agent-friendly APIs.
5	Vibe Design	Diseno de UI delegado a agentes AI (Google Stitch → prompt → UI → prototipo → codigo).
6	Evals-Driven	Si no puedes medir si un cambio mejora o empeora el output del agente, no lo hagas. Golden datasets + CI.
7	MCP-Native	Model Context Protocol integrado en cada fase. Los agentes acceden a tools, resources y prompts via MCP.
8	Multi-Agent	Un agente para una tarea. Multiples agentes orquestados para un sistema. 4 patrones formales.
9	Observable	Sin metricas = sin produccion. OpenTelemetry + Langfuse + cost tracking + dashboards.
10	Stack Agnostic	El framework no impone tecnologias. Define criterios de decision. Python, Go, Node, Rust — elige por contexto.
11	3 Tracks	No todos los proyectos necesitan 10 fases. Full (enterprise), Lean (startup), Solo (MVP/1 persona).
12	Progressive Disclosure	Los agentes AI no necesitan 18K lineas de framework. Cargan solo lo relevante: CLAUDE.md → rules → skills → agents.

Inspiraciones

• Steve Yegge: Vibe Coding, 8 Levels of AI Adoption, Software Survival, Rule of Five
• Gene Kim: DevOps Handbook, DORA, cambio organizacional
• Andrej Karpathy: “Agentic Engineering” como disciplina
• Anthropic: Context Engineering, Agentic Coding Trends 2026
• OpenAI: Harness Engineering (Feb 2026) — invariantes mecanicos, cleanup agents
• GitHub: Spec Kit (specify → plan → tasks → implement)
• Google: Stitch (Vibe Design), MCP integration
• OWASP: Top 10 Agentic Applications 2026, Top 10 LLM Applications 2025
• ETH Zurich: AGENTS.md study (context files quality)

---

5. ARQUITECTURA DEL FRAMEWORK

5.1 Las 4 capas

┌─────────────────────────────────────────────────────────────┐
│                         CORE                                 │
│  Metodologia obligatoria: lifecycle de 10 fases,             │
│  roles, gates, manifesto, tracks, madurez AI                 │
│  Estabilidad: ALTA (cambios = major version)                 │
├─────────────────────────────────────────────────────────────┤
│                       REFERENCE                              │
│  Guias transversales: deployment tracks, agent catalog,      │
│  UX/AI design, multi-country, subagent patterns              │
│  Estabilidad: MEDIA (cambios = minor version)                │
├─────────────────────────────────────────────────────────────┤
│                     ACCELERATORS                             │
│  Assets ejecutables: playbooks, spec-kit, templates,         │
│  checklists, specs futuras (plugin, MCP, living specs)       │
│  Estabilidad: MEDIA                                          │
├─────────────────────────────────────────────────────────────┤
│                  ORGANIZATION DEFAULTS                        │
│  Config base: framework-config.yaml, toolchain,              │
│  thresholds, quality gates, FinOps limits                    │
│  Estabilidad: BAJA (personalizable por proyecto)             │
└─────────────────────────────────────────────────────────────┘

5.2 El ADLC — Agentic Development Life Cycle (10 fases)

El lifecycle de 10 fases del framework se denomina formalmente ADLC (Agentic Development Life Cycle) — la evolucion del SDLC para desarrollo dirigido por agentes. Mientras el SDLC tradicional asume ejecucion humana con fases lineales y handoffs documentales, el ADLC esta disenado para que agentes autonomos (FABs) ejecuten loops continuos con checkpoints, artefactos YAML como contexto persistente, y testing simultaneo en cada fase.

La industria esta convergiendo hacia este modelo: EPAM y Cycode formalizaron el termino ADLC, AWS propuso AI-DLC, BCG Platinion describe Dark Software Factories, y PwC, Microsoft y HCLTech estan adoptando lifecycles agenticos en produccion.

F01 Strategy ─► F02 Domain ─► F03 Knowledge ─► F04 Architecture ─► F05 Contracts
     │               │              │                 │                   │
     ▼               ▼              ▼                 ▼                   ▼
  Problema        Dominio       Fuentes de       Blueprint +         OpenAPI +
  + valor         modelado      conocimiento     ADRs + stack        data model
                                + trust model    selection           + contracts

F06 Build ─► F07 TEVV ─► F08 Security ─► F09 Operations ─► F10 Evolution
     │            │            │                │                  │
     ▼            ▼            ▼                ▼                  ▼
  Codigo +     Evals +     Compliance +     Deploy +           Feedback +
  tests        scorecards  threat model     dashboards +       improvement
                                            alerts             backlog

Cada fase tiene: objetivo, entregables minimos, gate de salida, roles, y skill de agente asociado.

5.3 Los 3 tracks

Track	Equipo	Fases	Timeline	Nivel AI
Full	3+ personas, regulado	10 fases, 6 gates formales	4-20 semanas	1-5
Lean	1-3, startup/SaaS	3 macro-fases (Discover/Deliver/Operate)	2-4 semanas	3-6
Solo	1 persona + agents	Flow continuo	1-7 dias	4-8

Diferenciador: ningun otro framework de ingenieria AI ofrece adaptacion por madurez del equipo. La mayoria asume “enterprise” o “hobby” — no hay punto medio.

5.4 Context Layers (Progressive Disclosure)

En vez de cargar todo el framework en cada sesion de agente, el contexto se carga por capas:

Layer 1 ─ CLAUDE.md (~70 lineas)       ← Siempre residente
Layer 2 ─ .claude/rules/ (3 archivos)  ← Auto-cargados por path
Layer 3 ─ .claude/skills/ (20 skills)   ← On-demand, invocados por usuario
Layer 4 ─ .claude/agents/ (6 agents)   ← Al delegar tareas
Layer 5 ─ Hooks (pre-commit, post-compact) ← Automaticos, nunca en contexto

---

6. QUE CONTIENE (INVENTARIO)

6.1 Documentos Core

Documento	Contenido
Lifecycle 10 Fases (ADLC)	Tabla maestra del ADLC — Agentic Development Life Cycle
Manifesto y Principios	6 pilares, principios de arquitectura, vocabulario
Multi-Track Execution	Full / Lean / Solo — cuando usar cada uno
Roles, RACI y Gates	Quien hace que, criterios de salida por fase
AI Adoption Maturity	8 niveles (Yegge) — de “sin AI” a “orquestador propio”
CHANGELOG	Historial de versiones desde v3.0 hasta v7.7

6.2 Guias operativas (41)

Guia	Lineas	Contenido principal
AI-First SDLC Workflow	~1,218	Flujo completo de 10 fases con ejemplos, long-running agent harness
Data Governance AI	~1,429	Clasificacion, linaje, sesgo, EU AI Act, ISO 42001
Multi-Agent Orchestration	~1,600	4 patrones, durable execution, progressive autonomy, AG-UI, self-healing pipeline
Evals Framework	~1,242	promptfoo, braintrust, deepeval, ragas, DeepTeam, testing pyramid 2.0
Observability & FinOps	~1,211	OpenTelemetry, Langfuse, semantic cache, agent-legible observability
OWASP Agentic Security	~1,200	ASI01-10 mapping, OWASP LLM Top 10, OWASP MCP Top 10, zero trust, circuit breakers, slopsquatting playbook
MCP Integration	~1,009	Templates, security, A2A, Server Cards, DPoP, AG-UI protocol stack
Context Engineering	~889	1M token wall, 5 surfaces, context freshness, compaction
Brownfield Adoption	~737	Strangler Fig AI, 3 escenarios, init-brownfield.sh
Vibe Coding Practices	~700	CHOP, Rule of Five, Harness Engineering, 6 pilares
Agentic Workforce & Factory Ops	~700	Citizen dev, workforce transition, benchmarking, model selection, long-running agents
FAB Intake & Headless Workspace	~600	FAB headless protocol, intent intake, workspace isolation
Platform Integration	~500	Kiro IDE, Cursor, Windsurf, Claude Code — integracion por plataforma
Gap Analysis v6.2 Roadmap	~850	28 gaps identificados y cerrados en sprints 2-4
State-of-Art Gap Analysis v6.0	~730	Comparativa vs 14 fuentes industria, 9 gaps
State-of-Art Gap Analysis v6.3	~700	5 gaps cerrados, cobertura 92%→97%
Framework Enforcement	~440	Piramide de enforcement, MCP server, linter, CI
Happy Path Walkthrough	~280	Tutorial paso-a-paso desde zero
Agent UX & Desire Paths	~370	Diseno agent-friendly, Vibe Design con Google Stitch
Swarming & Merge Wall	~300	Multi-agent parallel work, merge queue
Token FinOps	~220	Model routing, cost guards, semantic cache
Quick Start 15min	~160	De zero a primer proyecto en 15 minutos

Total: ~16,200+ lineas de guias operativas.

6.3 Skills (20) y Agents (6)

Skills (on-demand, formato agentskills.io): /f01_strategy, /f02_domain, /f03_knowledge, /f04_architecture, /f05_contracts, /f06_build, /f07_tevv, /f08_security, /f09_operations, /f10_evolution, /fab_orchestrator, /spec_workflow, /brownfield_adoption, /mcp_setup, /eval_workflow, /onboarding, /security_audit, /code_review, /dora_metrics

Agents (especializados): @architect, @qa_engineer, @security_reviewer, @spec_writer, @code_reviewer, @team_lead

6.4 Scripts (28) y CI/CD

Framework Enforcement (19 scripts)

Script	Funcion
framework-mcp-server.py	MCP server: 10 tools para consultas real-time del framework
compliance-linter.py	15 reglas de compliance, scoring, metricas SAST/SCA
artifact-validator.py	Validacion de YAML artifacts contra 48 JSON schemas
context-router.py	Enruta tareas a fases, guias, skills y agents relevantes
gate-check.sh	Verifica conformance de gates A-F + DG por track
init-project.sh	Crea proyecto greenfield con baseline como subtree (auto-sync diario)
init-brownfield.sh	Adopta framework en proyecto existente (no-destructivo)
version-check.sh	Valida coherencia de versiones en todo el framework
compare-evals.py	Compara eval results baseline vs PR con regression detection
sast-sca-scanner.py	SAST/SCA agnostico: Semgrep + npm audit/pip-audit/govulncheck
owasp-asi-checker.py	OWASP ASI01-ASI10 automated compliance checks
aibom-generator.py	AI Bill of Materials auto-generation desde artefactos del proyecto
sbom-generator.py	Software Bill of Materials: CycloneDX 1.5 / SPDX 3.0, license check, diff
mcp-security-audit.py	Auditoria de seguridad MCP: source trust, auth, transport
dora-metrics.py	DORA + SPACE metrics con AI attribution desde git history
db-doc-generator.py	Generacion automatica de documentacion de base de datos (inventario, diccionario, migraciones)
iso42001-annex-check.py	ISO 42001 Annex automated compliance checks
iso42001-evidence-collector.py	ISO 42001 evidence collection y gap analysis
soc2-evidence-collector.py	SOC 2 Type II evidence collection automatizada

Factory OS (12 scripts)

Script	Funcion
fab-gate-check.py	Autonomous gates + confidence scoring + decision tree
fab-feedback-loop.py	Telemetria → analisis → auto-generacion de intents
fab-eval-builders.py	Evaluar/comparar/recomendar builders (promote/tune/retire)
fab-cost-guard.py	Cost circuit breakers: green/yellow/red/critical + auto-signal
fab-kill-switch.sh	Emergency stop + graceful shutdown + auto-checkpoint
fab-intake.sh	Intake processor (GitHub, texto, PRD → intent YAML)
validate-intent.py	Validar intents contra JSON schema
fab-workspace-setup.sh	Setup worktrees aislados por FAB
fab-factory.sh	Factory orchestration (status/launch/stop/cost)
fab-health-check.sh	Health monitoring de FABs activos
fab-trigger-dispatcher.py	Event-driven triggers para automatizacion Factory OS
fab-coordinator.py	Coordinacion nativa multi-agente (file-locking, inbox, task routing)

6.5 Ejemplos

Ejemplo	Contenido
solo-mvp/	API de Tareas con Hono + SQLite + Cloudflare Workers (track Solo)
brownfield-adoption/	Django e-commerce + AI Semantic Search (Strangler Fig)

---

7. QUE LO DIFERENCIA

vs otros frameworks de ingenieria AI

Dimension	Este framework	Frameworks tipicos del mercado
Tracks	3 (Full/Lean/Solo) adaptables por madurez	1 (enterprise o nada)
Stack	Agnostico — criterios de decision, no imposiciones	Atado a LangChain, o Python, o un vendor
Lifecycle	ADLC: 10 fases con gates formales	”Best practices” sueltas
Context layers	5 capas de progressive disclosure para agentes	CLAUDE.md monolitico o nada
Evals	CI pipeline con golden datasets + 4 herramientas	”Deberias evaluar” sin templates
Brownfield	Suite completa (530 lineas + script + ejemplo)	Solo greenfield
Compliance	EU AI Act Art.50/73 + ISO 42001 + OWASP Agentic Top 10 + OWASP MCP Top 10 + AIBOM	Mencion generica a “compliance”
Multi-agent	4 patrones formales + metricas + full autonomy cycle	”Usa multi-agent” sin patrones
Idioma	Espanol (docs), ingles (filenames) — unico en el mercado	Solo ingles
Harness Engineering	6 pilares de diseno de entorno para agentes	No existe en otros frameworks
Factory OS	Orquestacion autonoma: celulas FAB (N agentes especializados), autonomous gates, cost circuit breakers, kill switch	No existe
Cobertura estado del arte	~92% (validado contra 14 fuentes, Marzo 2026)	No medida

vs no tener framework

Sin framework	Con este framework
Productividad 1-5x con AI	10-100x con orquestacion disciplinada
Calidad impredecible	Quality gates con umbrales medibles
Costos sorpresa	FinOps con budgets diarios y alertas
Cada dev hace lo suyo	Proceso unificado adaptable
Seguridad ad-hoc	OWASP Agentic integrado en cada fase

---

8. COMO EMPEZAR

Opcion 1: Proyecto nuevo (5 minutos)

git clone https://github.com/aforero22/baseline.git
cd baseline
./scripts/init-project.sh "Mi App" "mi-app" ~/projects

Opcion 2: Proyecto existente (10 minutos)

cd mi-proyecto-existente
git clone https://github.com/aforero22/baseline.git /tmp/baseline
/tmp/baseline/scripts/init-brownfield.sh "Mi Proyecto" "mi-proyecto"

Opcion 3: Solo explorar

1. Leer este documento (entender que es)
2. Leer CORE_F00_Lifecycle_10_Fases.md (entender las fases)
3. Leer CORE_F00_Multi_Track_Execution.md (elegir tu track)
4. Explorar las guias en framework/guides/ segun tu interes

Que track elegir

Soy 1 persona haciendo un MVP?                    → SOLO
Somos 1-3 personas en una startup?                 → LEAN
Estamos en enterprise/regulado con 3+ personas?    → FULL
No se / primer proyecto con el framework?          → LEAN (y ajustar)

---

9. MODELO DE CONSUMO

El framework se integra como git subtree con actualizacion automatica diaria:

mi-proyecto/
  baseline/              ← subtree (auto-actualizado diariamente via GitHub Actions)
    framework/           ← Metodologia, guias, patrones
  project/               ← Artefactos del proyecto (editar aqui)
  .claude/               ← Context layers para AI
  CLAUDE.md              ← Instrucciones para agentes AI
  src/                   ← Tu codigo
  .github/workflows/
    update-baseline.yml  ← Auto-sync diario (3:00 AM COT / 08:00 UTC)

Regla: el baseline es read-only. Los overrides van en project-config.yaml. Las decisiones van en ADRs. El codigo va en src/.

Actualizacion:

• Automatica: el workflow update-baseline.yml sincroniza diariamente a las 3:00 AM (Colombia)
• Manual via GitHub Actions: ejecutar el workflow manualmente desde la pestana Actions
• Inmediata: git subtree pull --prefix=baseline https://github.com/aforero22/baseline.git main --squash
• Desarrolladores: solo necesitan git pull origin main

---

10. EVOLUCION Y VERSIONADO

Tipo de cambio	Version
Cambios en core/ (metodologia)	Major (7.0 → 8.0)
Cambios en guides/, reference/, accelerators/	Minor (7.3 → 7.4)
Fixes, clarificaciones	Patch (7.3.0 → 7.3.1)

Historial de versiones

Version	Feature principal	Fecha
7.7.0	Kill switch drills, cost guard verify, MCP attestation audit, DX AI metrics, FAB coordinator commands	Mar 2026
7.6.0	Singapore MGF, Agent Governance Gateway, SOC 2 + AI Controls, Multi-Agent Failure Taxonomy	Mar 2026
7.5.0	ISO 42001 alignment, AIBOM SPDX 3.0, multi-agent coordination, SWE-Bench evals	Mar 2026
7.4.0	Database documentation, event-driven triggers, A2A protocol, DX AI metrics	Mar 2026
7.3.0	OWASP MCP Top 10, EU AI Act Art.50/73, Kiro IDE integration	Mar 2026
7.2.0	EU AI Act, OWASP ASI, AIBOM auto-gen, MCP security audit, DORA metrics	Mar 2026
7.1.0	SAST/SCA security gates, schema expansion, context-router evolution	Mar 2026
7.0.0	Factory-Native: Factory OS, FABs autonomos, autonomous gates, cost circuit breakers, kill switch	Mar 2026
6.5.0	Remediation: stubs, seguridad agentic, EU AI Act, AG-UI, Progressive Autonomy	Mar 2026
6.4.0	Gap Closure: cost model, human-agent matrix, A2A, testing pyramid 2.0	Mar 2026
6.1.0	Gap Closure: 9 brechas cerradas, cobertura 84% → 92%	Mar 2026
6.0.0	Operational Excellence: Evals, MCP, Observability, Multi-Agent	Mar 2026
5.2.1	Brownfield Adoption suite	Mar 2026
5.2.0	Vibe Design, Google Stitch	Mar 2026
5.1.0	Context Engineering, agentskills.io	Mar 2026
5.0.0	Progressive Disclosure, Context Layers	Mar 2026
4.1.0	Stack agnostico	Mar 2026
4.0.0	Reestructuracion lifecycle 10 fases	Mar 2026
3.0.1	Template repository inicial	Mar 2026

Cobertura del estado del arte (Marzo 2026)

Area	Cobertura
Spec-Driven Development	95%
Context Engineering	96%
MCP + A2A + AG-UI Ecosystem	95%
AI Code Evaluation	96%
LLMOps & Observability	96%
Multi-Agent Orchestration	94%
Security (OWASP + DeepTeam)	97%
Brownfield Modernization	95%
Compliance (EU AI Act + ISO 42001)	97%
Vibe→Agentic Evolution	94%
Promedio	~97%

Validado contra 14 fuentes: Anthropic, OpenAI, DORA, OWASP, MCP, ETH Zurich, NxCode, Karpathy, Osmani, GitHub Spec Kit, promptfoo, DeepEval, RAGAS, SDD Map (30+ frameworks).

---

11. NUMEROS DEL FRAMEWORK

Metrica	Valor
Versiones liberadas	20 (v3.0.1 → v7.7.0)
Fases del lifecycle	10
Tracks de ejecucion	3 (Full / Lean / Solo)
Guias operativas	41 (~16,200+ lineas)
Skills (agentskills.io)	20
Agents especializados	6
Scripts de automatizacion	28 (15 enforcement + 13 Factory OS)
Ejemplos completos	2
JSON schemas de validacion	48
Patrones de orquestacion	4
Niveles de madurez AI	8
Cobertura estado del arte	~97%
Fuentes de industria validadas	14
Idioma de documentacion	Espanol
Licencia	Internal

---

AI Software Factory OS v7.7.0 — Marzo 2026 Spec-First, Evals-Driven, MCP-Native, Multi-Agent, Observable, Stack-Agnostic, Factory-Native “La IA no reemplaza al ingeniero — amplifica su inteligencia y velocidad de entrega.”