Primera versión productiva del blog Azurebrains
Primera Release Productiva
Esta release representa la primera versión estable y completa del blog Azurebrains. El proyecto pasa de ser un prototipo a una plataforma de publicación técnica totalmente autónoma, con 30 artículos publicados sobre Azure, AI/ML, LLMs, DevOps, Copilot y Data.
Contenido Publicado
Se publican 30 artículos cubriendo las áreas principales del blog: Azure (arquitectura, networking, seguridad), AI/ML (fundamentos RAG, Azure AI Foundry, Knowledge Mining), LLMs (GraphRAG, Apache AGE, embeddings), DevOps (CI/CD, GitHub Actions, Azure DevOps) y Copilot. Todos los posts tienen categoría asignada, frontmatter normalizado y son indexables por los agentes del pipeline.
Pipeline Autónomo de Publicación
El sistema de publicación queda operativo con cuatro agentes especializados. El agente Discoverer monitoriza fuentes RSS y detecta candidatos a artículo según criterios de relevancia para la audiencia de Azurebrains. El agente Analyzer evalúa la novedad del tema, evita duplicidades contra el índice de AI Search y asigna automáticamente la categoría correcta. El agente Writer genera el artículo completo con GPT-4o (Azure OpenAI), incluyendo frontmatter, estructura de secciones y referencias. El agente Improver revisa posts existentes consultando la knowledge base azurebrains-kb para mejorar profundidad técnica y calidad.
Scripts de Operación
Tres scripts Python gestionan el ciclo de vida de los artículos desde línea de comandos. inject.py permite inyectar un archivo Markdown externo directamente al pipeline de publicación con validación previa del frontmatter. delete_post.py elimina artículos de forma limpia ejecutando git rm y commit automático, con el flag --push para controlar si el cambio se propaga al remoto de inmediato. feature_post.py marca o desmarca el artículo destacado de la homepage mediante el campo featured en el frontmatter, gestionable con un único slug.
Integración Azure
El stack de Azure queda configurado con tres modelos desplegados en la región Sweden Central: gpt-4o para generación de artículos, gpt-4.1-mini para análisis y clasificación, y text-embedding-3-small para vectorización. Azure AI Search aloja dos índices: blog-articles con los 30 documentos vectorizados y azurebrains-kb como base de conocimiento para el agente Improver.
CI/CD y Operaciones
Cuatro GitHub Actions workflows quedan en producción: deploy.yml despliega el sitio Jekyll en GitHub Pages en cada push a main, agent-discoverer.yml ejecuta el Discoverer con schedule semanal y disparo manual, agent-improver.yml mejora posts periódicamente, y scheduled-posts.yml publica artículos programados de forma desatendida. Se crea docs/operations/RUNBOOK.md con el manual operacional completo del blog.
Detalles Técnicos
Se normalizaron categorías en 23 posts con formato incorrecto, se resolvió un problema de wrapper ` ```yaml ` en el frontmatter de varios artículos, y se corrigió la asignación de la categoría Blog para que los artículos aparecieran correctamente en la homepage. El tiempo de build de Jekyll se sitúa en 0.27 segundos sin errores.