Configuración

intake funciona sin configuración — solo necesita una API key de LLM. Para personalizar el comportamiento, se usa un archivo .intake.yaml en la raíz del proyecto.

---

Prioridad de carga

La configuración se carga por capas. Cada capa sobreescribe la anterior:

CLI flags  >  .intake.yaml  >  preset  >  defaults

1. Defaults: valores por defecto en el código
2. Preset: si se usa --preset, aplica un conjunto predefinido
3. .intake.yaml: archivo de configuración del proyecto
4. CLI flags: las opciones de línea de comandos siempre ganan

---

Archivo .intake.yaml

Crea un archivo .intake.yaml en la raíz de tu proyecto. Ejemplo completo:

# Configuración del modelo LLM
llm:
  model: claude-sonnet-4         # Cualquier modelo soportado por LiteLLM
  api_key_env: ANTHROPIC_API_KEY  # Variable de entorno con la API key
  max_cost_per_spec: 0.50         # Presupuesto máximo por spec (USD)
  temperature: 0.2                # 0.0 = determinista, 1.0 = creativo
  max_retries: 3                  # Reintentos en caso de fallo
  timeout: 120                    # Timeout por llamada LLM (segundos)

# Configuración del proyecto
project:
  name: mi-proyecto               # Nombre (auto-detectado si vacío)
  stack: []                       # Stack tecnológico (auto-detectado si vacío)
  language: en                    # Idioma del contenido generado
  conventions: {}                 # Convenciones personalizadas (key: value)

# Configuración de la spec
spec:
  output_dir: ./specs             # Donde guardar las specs generadas
  requirements_format: ears       # ears | user-stories | bdd | free
  design_depth: moderate          # minimal | moderate | detailed
  task_granularity: medium        # coarse | medium | fine
  include_sources: true           # Incluir trazabilidad de fuentes
  version_specs: true             # Crear directorios versionados
  generate_lock: true             # Generar spec.lock.yaml
  risk_assessment: true           # Incluir evaluación de riesgos

# Configuración de verificación
verification:
  auto_generate_tests: true       # Generar checks de aceptación
  test_output_dir: ./tests/generated
  checks: []                      # Checks personalizados adicionales
  timeout_per_check: 120          # Timeout por check (segundos)

# Configuración de exportación
export:
  default_format: generic         # architect | claude-code | cursor | kiro | generic
  architect_include_guardrails: true
  architect_pipeline_template: standard
  claude_code_generate_claude_md: true

# Seguridad
security:
  redact_patterns: []             # Patrones regex a redactar del output
  redact_files:                   # Archivos a nunca incluir
    - "*.env"
    - "*.pem"
    - "*.key"

---

Referencia completa de campos

Sección llm

Campo	Tipo	Default	Descripción
model	string	claude-sonnet-4	Modelo LLM. Cualquier modelo que LiteLLM soporte.
api_key_env	string	ANTHROPIC_API_KEY	Nombre de la variable de entorno que contiene la API key.
max_cost_per_spec	float	0.50	Presupuesto máximo por spec en USD. Si se excede, el análisis se detiene.
temperature	float	0.2	Temperatura del modelo. Menor = más determinista.
max_retries	int	3	Número de reintentos ante fallos del LLM.
timeout	int	120	Timeout por llamada LLM en segundos.

Modelos soportados:

Proveedor	Ejemplos	Variable de entorno
Anthropic	claude-sonnet-4, claude-opus-4, claude-haiku-4-5	ANTHROPIC_API_KEY
OpenAI	gpt-4o, gpt-4, gpt-3.5-turbo	OPENAI_API_KEY
Google	gemini/gemini-pro, gemini/gemini-flash	GEMINI_API_KEY
Local	ollama/llama3, ollama/mistral	(no necesita key)

Sección project

Campo	Tipo	Default	Descripción
name	string	""	Nombre del proyecto. Si está vacío, se genera desde la descripción del init.
stack	list[string]	[]	Stack tecnológico. Si está vacío, se auto-detecta desde archivos del proyecto.
language	string	en	Idioma para el contenido generado (ej: en, es, fr).
conventions	dict	{}	Convenciones del proyecto como pares clave-valor.

La auto-detección del stack busca 28+ archivos marcadores en el directorio del proyecto:

Archivo	Stack detectado
package.json	javascript, node
tsconfig.json	typescript
pyproject.toml	python
Cargo.toml	rust
go.mod	go
pom.xml	java, maven
Dockerfile	docker
next.config.js	nextjs
…	…

Además inspecciona el contenido de pyproject.toml y package.json para detectar frameworks (fastapi, django, react, vue, etc.).

Sección spec

Campo	Tipo	Default	Descripción
output_dir	string	./specs	Directorio de salida para las specs.
requirements_format	string	ears	Formato de requisitos. Opciones: ears, user-stories, bdd, free.
design_depth	string	moderate	Nivel de detalle del diseño. Opciones: minimal, moderate, detailed.
task_granularity	string	medium	Granularidad de las tareas. Opciones: coarse, medium, fine.
include_sources	bool	true	Incluir sources.md con trazabilidad requisito-fuente.
version_specs	bool	true	Crear subdirectorios versionados para las specs.
generate_lock	bool	true	Generar spec.lock.yaml con hashes y metadata.
risk_assessment	bool	true	Ejecutar evaluación de riesgos (fase adicional del LLM).

Formatos de requisitos:

Formato	Descripción	Mejor para
ears	Easy Approach to Requirements Syntax. Formato estructurado con condiciones.	Especificaciones formales
user-stories	”Como [rol], quiero [acción] para [beneficio]”.	Equipos ágiles
bdd	Given/When/Then. Behavior-driven development.	Tests de aceptación
free	Formato libre. Sin estructura impuesta.	Prototipos rápidos

Niveles de diseño:

Nivel	Descripción
minimal	Solo componentes principales y decisiones críticas.
moderate	Componentes, archivos, decisiones técnicas y dependencias.
detailed	Todo lo anterior más diagramas de interacción, edge cases, consideraciones de performance.

Granularidad de tareas:

Nivel	Descripción
coarse	Tareas grandes, pocas. Cada tarea cubre un componente completo.
medium	Balance entre granularidad y cantidad.
fine	Tareas pequeñas y atómicas. Cada tarea es ~15-30 minutos de trabajo.

Sección verification

Campo	Tipo	Default	Descripción
auto_generate_tests	bool	true	Generar checks de aceptación automáticamente desde los requisitos.
test_output_dir	string	./tests/generated	Directorio para tests generados.
checks	list[string]	[]	Checks personalizados adicionales.
timeout_per_check	int	120	Timeout máximo por check individual en segundos.

Sección export

Campo	Tipo	Default	Descripción
default_format	string	generic	Formato de exportación por defecto. Opciones: architect, claude-code, cursor, kiro, generic.
architect_include_guardrails	bool	true	Incluir guardrails en pipelines de architect.
architect_pipeline_template	string	standard	Template de pipeline para architect.
claude_code_generate_claude_md	bool	true	Generar CLAUDE.md al exportar para Claude Code.

Sección security

Campo	Tipo	Default	Descripción
redact_patterns	list[string]	[]	Patrones regex que se eliminarán del contenido generado.
redact_files	list[string]	["*.env", "*.pem", "*.key"]	Patrones glob de archivos que nunca se incluirán.

---

Presets

Los presets son configuraciones predefinidas para casos de uso comunes. Se aplican con --preset:

intake init "Mi feature" -s reqs.md --preset minimal

Comparativa

Campo	minimal	standard	enterprise
Caso de uso	Prototipo rápido	Equipos normales	Regulado / crítico
max_cost_per_spec	$0.10	$0.50	$2.00
temperature	0.3	0.2	0.1
requirements_format	free	ears	ears
design_depth	minimal	moderate	detailed
task_granularity	coarse	medium	fine
include_sources	false	true	true
risk_assessment	false	true	true
generate_lock	false	true	true

Cuándo usar cada preset

• minimal: Prototipado rápido, ideas exploratorias, un solo desarrollador. Costo bajo, output mínimo.
• standard: La opción por defecto. Buen balance entre detalle y costo para equipos de 2-5 personas.
• enterprise: Para equipos grandes, proyectos regulados, o cuando se necesita trazabilidad completa y evaluación de riesgos exhaustiva.

---

Variables de entorno

intake busca estas variables de entorno para la autenticación con proveedores LLM:

Variable	Proveedor	Ejemplo
ANTHROPIC_API_KEY	Anthropic (Claude)	sk-ant-api03-...
OPENAI_API_KEY	OpenAI (GPT)	sk-...

Configura la variable según tu proveedor:

# Anthropic
export ANTHROPIC_API_KEY=sk-ant-api03-tu-key-aqui

# OpenAI
export OPENAI_API_KEY=sk-tu-key-aqui

Si usas un proveedor diferente, configura llm.api_key_env en .intake.yaml:

llm:
  model: gemini/gemini-pro
  api_key_env: GEMINI_API_KEY

---

Generar config automáticamente

Si no tienes .intake.yaml, intake usa defaults sensatos. Para crear un archivo de configuración básico:

intake doctor --fix

Esto crea un .intake.yaml mínimo que puedes personalizar:

# intake configuration
llm:
  model: claude-sonnet-4
  # max_cost_per_spec: 0.50
project:
  name: ""
  language: en
  # stack: []
spec:
  output_dir: ./specs