Infraestructura Institucional y Marco U.S. DOL TEN No. 07-25

Fortaleciendo Nodos Estatales e Instituciones como Socio Habilitador No Competitivo en los 50 Estados

Desplegamos pipelines llave en mano de Curriculum-as-Code (CaC), motores locales de auditoría RAG aislados de la nube (air-gapped) y flotas de cursos abiertos OER de costo cero ($0 ZTC) que cumplen de inmediato con NSF TechAccess: AI-Ready America, U.S. DOL ETA TEN No. 07-25 (emitido el 13 de febrero de 2026) y el Título II de la ADA (28 CFR Parte 35).

Infraestructura Central: Curriculum-as-Code (CaC) y el Estándar S-A-R

El desarrollo curricular tradicional es estático, aislado y lento para adaptarse. Curriculum-as-Code (CaC) trata el diseño instruccional como infraestructura de software Escalable, Auditable y Repetible (S-A-R) para brindar agilidad institucional:

• Fuentes Únicas de Verdad (SSoT) con Control de Versiones: El contenido curricular reside en repositorios estructurados de Git y Markdown (EXW-Master-Library) impulsados por un Pipeline de Publicación Cero-Deriva de 3 Etapas (“Write Once -> Push Many”), permitiendo sincronización instantánea en Canvas LMS mediante Canvas GraphQL-First API y sindicación OER de doble espacio de nombres (EXW -> KIN / HLTH).
• Linters Automatizados ADA Título II y Guardia de Doble Contraste 9:1: Nuestros scripts de compilación auditan programáticamente las 8 reglas del Verificador de Accesibilidad de Canvas antes de llegar a la pantalla del estudiante—incluyendo jerarquía semántica secuencial desde <h2>, encabezados y descripciones explícitas en tablas, y una estricta Guardia de Doble Contraste 9:1 (duplicando el mínimo de 4.5:1 de WCAG 2.2 AA).
• Integración de IA Local Soberana (AI-AWARE -> AI-READY): Los motores locales de tutoría y auditoría (exw-argon4, exw-argon4-cac, exw-gemma4 mediante Apple Silicon Ollama y modelos abiertos Google Gemma) operan directamente en el flujo del repositorio junto con un grafo pedagógico DOM GraphRAG de 3,265 nodos y recibos criptográficos W3C PROV-O—garantizando 100% de soberanía de datos FERPA y HIPAA sin costos recurrentes de nube comercial.

Matriz de Integración U.S. DOL ETA TEN No. 07-25 y CaC

Parte A: Las 5 Áreas Fundamentales de Alfabetización en IA

Para satisfacer a acreditadores institucionales (HLC), juntas estatales de fuerza laboral y oficiales federales de subvenciones, nuestra arquitectura Curriculum-as-Code vincula cada módulo de kinesiología, salud y nutrición directamente con las cinco competencias fundamentales del Marco de Alfabetización en IA del Departamento del Trabajo de EE. UU. (TEN No. 07-25):

Parte B: Alineación con los 7 Principios de Diseño para Colegios Comunitarios

1. Habilitar el Aprendizaje Experiencial: Simulaciones táctiles de casos clínicos en exwtoolkit.com combinadas con auditoría de prompts P-T-C-F en vivo.
2. Integrar el Aprendizaje en Contexto: Fundamentado en la fisiología del calor extremo y la demografía regional (Yuma, AZ e Imperial Valley, CA en contexto de Institución al Servicio de los Hispanos - HSI).
3. Desarrollar Habilidades Humanas Complementarias (El Protocolo Centauro): Entrena al estudiante como Arquitecto y Piloto (Encuadre de Problemas y Juicio Clínico) y posiciona a la IA estrictamente como Motor y Calculadora Clínica (Procesamiento y Cálculo).
4. Abordar Prerrequisitos y Acceso Equitativo: Cada módulo inicia con un recuadro bilingüe In Plain English / En Palabras Sencillas, materiales OER CC BY 4.0 de costo cero ($0 ZTC) y simuladores web sin suscripciones comerciales.
5. Crear Rutas de Aprendizaje Continuo: Mapeo dual desde estándares de inscripción doble K-16 (CCSS y WA.ELA) hasta catálogos de transferencia nacional (KIN y HLTH) y credenciales laborales.
6. Preparar Roles Habilitadores: Capacita a profesionales de salud aliada, bienestar y ciencias del ejercicio para gobernar con seguridad herramientas de apoyo clínico basadas en IA.
7. Diseñar para la Agilidad: Registro central de estándares (01_INFRASTRUCTURE/educational_alignment_registry.json) que recompila los 5 cursos y 10 paquetes OER en segundos cuando se actualizan las guías federales.

Por Qué Somos el Socio Habilitador No Competitivo en los 50 Estados

Los Nodos de Coordinación de NSF TechAccess: AI-Ready America, los colegios comunitarios y las juntas estatales de fuerza laboral necesitan infraestructura lista para desplegar, no otro solicitante principal que compita por sus fondos:

• Cero Fricción en Subvenciones: Nunca competimos contra colegios comunitarios, universidades o consorcios estatales por subvenciones principales de NSF o bloques estatales; servimos estrictamente como recurso técnico habilitador en los 50 estados, arquitectura abierta de referencia y socio de implementación de subotorgamientos (subawards).
• Flota OER Llave en Mano de Doble Espacio de Nombres: Mapeo instantáneo educationalAlignment de 4 niveles en los 5 cursos de la flota—conectando códigos locales (EXW 101, EXW 150, EXW 210, EXW 245, EXW 265) con prefijos nacionales de transferencia (KIN-101, HLTH-150, KIN-210, KIN-245, KIN-265) y sindicación Schema.org/Dataset JSON-LD.
• Arquitectura de IA Soberana y Aislada de la Nube (Air-Gapped): Construida sobre Apple Silicon (M1 y M2) Ollama y modelos abiertos Google Gemma—garantizando 100% de cumplimiento FERPA con cero costos recurrentes de nube.
• Identificadores Federales Verificados de Contratación (Webcognita LLC):
  • Clasificación Socioeconómica: Pequeña Empresa Propiedad de Veteranos Discapacitados en Servicio (SDVOSB / VOSB — Veterano USMC)
  • SAM.gov UEI: EZ34U9KNJA17 • Código CAGE: 4ZCN6
  • Códigos NAICS: 541511 (Primario), 541715, 541512, 611710, 541690
  • Códigos Federales PSC: U008 (Desarrollo Curricular), U012 (Capacitación en TI e IA), DA01, DJ01, R425, AN12
  • Pedigrí de Seguridad Habilitada y Confianza Técnica: El Director Principal es Veterano de Contrainteligencia del USMC y del Ejército de EE. UU. con trayectoria documentada manteniendo habilitación Top Secret / SCI (SI/TK) y dirigiendo operaciones de élite de Contramedidas de Vigilancia Técnica (TSCM). Esta base garantiza alineación absoluta con la soberanía federal de datos, estricta seguridad operativa (OPSEC) y rápida habilitación corporativa para órdenes de trabajo sensibles o clasificadas.
  • Publicaciones Oficiales .edu en AWC: Campeón de Pequeñas Empresas de Veteranos de Arizona 2025 por la U.S. SBA (PDF Oficial AWC SBDC) • Adaptive Training Available at AWC — Especialista en Atletas Adaptativos Financiado por el VA y Telemetría Acústica en Ergómetros (AWC News, 7 de febrero de 2018)
  • Arquitectura de Referencia Abierta y Repositorios de Código: Alan Pruitt (@alanpruitt) en GitHub — Repositorios Curriculum-as-Code (CaC) y S-A-R v2.2

Implementación de Referencia: argon4_cac_evaluator.py (S-A-R v2.2)

A continuación se presenta el linter ejecutable de Compliance-as-Code (scripts/argon4_cac_evaluator.py) que audita los 5 cursos de la flota (EXW 101, 150, 210, 245, 265 → KIN / HLTH) frente a U.S. DOL ETA TEN No. 07-25, las 8 reglas del Verificador de Accesibilidad de Canvas y la Guardia de Doble Contraste 9:1 antes de emitir un recibo criptográfico SHA-256:

#!/usr/bin/env python3
"""
Module: argon4_cac_evaluator.py
Description: S-A-R (Scalable / Auditable / Repeatable) Compliance-as-Code linter and
             Curriculum-as-Code (CaC) validator for the EXW 5-course fleet
             (EXW 101, 150, 210, 245, 265 -> KIN / HLTH OER Dual-Namespace)
             enforcing U.S. DOL ETA TEN No. 07-25, NSF TechAccess: AI-Ready America,
             and the 8 Canvas Course Accessibility Checker rules (9:1 Double-Contrast Guard).
Author: Coach Alan Pruitt (Webcognita LLC • SDVOSB • SAM.gov UEI: EZ34U9KNJA17 • CAGE: 4ZCN6)
"""

from __future__ import annotations

import hashlib
import json
from pathlib import Path
import re

MIN_CONTRAST_RATIO = 9.0  # EXW 9:1 Double-Contrast Guard (2x WCAG 2.2 AA 4.5:1 minimum)
MAX_HEADING_LENGTH = 120  # Canvas Course Accessibility Checker Rule #2

COURSE_SSOT_MAP = {
    "EXW101": {"oer_namespace": "KIN-101", "required_ssot": ["PAGA", "Physical Activity Guidelines", "2018"]},
    "EXW150": {"oer_namespace": "HLTH-150", "required_ssot": ["Dietary Guidelines", "DGA", "Real Food"]},
    "EXW210": {"oer_namespace": "KIN-210", "required_ssot": ["PAGA", "ACSM", "NASM", "OPT"]},
    "EXW245": {"oer_namespace": "KIN-245", "required_ssot": ["ACSM", "12th Edition", "Exercise Testing"]},
    "EXW265": {"oer_namespace": "KIN-265", "required_ssot": ["PAGA", "Physical Activity Guidelines", "ACSM"]},
}

Implementación de Referencia: argon4_peer_reply_auditor.py (S-A-R v2.2)

A continuación se muestra el verificador recursivo de réplicas entre pares (scripts/argon4_peer_reply_auditor.py) que aplica la Escala de Maestría 10-7-0 (>= 2 réplicas en la Autopresentación del Módulo 00; >= 1 réplica en los Módulos 01–16; publicación inicial Ejemplar de 10.0 con 0 réplicas = 9.0 / 10) y el Cierre Bilingüe de Hilos en Módulos 10+:

#!/usr/bin/env python3
"""
Module: argon4_peer_reply_auditor.py
Description: Enforces the SSoT peer-response baseline (>= 2 replies in Module 00;
             >= 1 reply in Modules 01-16 across EXW 101, 150, 210, 245, 265),
             recursively traverses Canvas /discussion_topics/:id/view trees, and
             verifies Module 10+ bilingual thread-closure integrity.
Author: Coach Alan Pruitt (Webcognita LLC • SDVOSB • SAM.gov UEI: EZ34U9KNJA17 • CAGE: 4ZCN6)
"""

import re

TARGET_COURSES = {
    "EXW101": {"oer_namespace": "KIN-101", "fall26_pro_id": 38773, "dev_id": 42044, "sp27_pro_id": 41088},
    "EXW150": {"oer_namespace": "HLTH-150", "fall26_pro_id": 39322, "dev_id": 38147, "sp27_pro_id": 41625},
    "EXW210": {"oer_namespace": "KIN-210", "dev_id": 42045},
    "EXW245": {"oer_namespace": "KIN-245", "dev_id": 38148},
    "EXW265": {"oer_namespace": "KIN-265", "fall26_pro_id": 38769, "dev_id": 38156, "sp27_pro_id": 41083},
}


def verify_discussion_baseline(module_id: str, current_replies: int) -> bool:
    norm = re.sub(r"[^a-z0-9]", "", module_id.lower())
    required_min = 2 if norm in ("module00", "mod00", "00", "selfintroduction") else 1
    return current_replies >= required_min

Implementación de Referencia: canvas_cac_sync.py (S-A-R v2.2)

A continuación se presenta el Motor de Sincronización Cero-Deriva de 3 Etapas (“Write Once -> Push Many”) (01_INFRASTRUCTURE/canvas_cac_sync.py) que combina el Mandato Canvas GraphQL-First (/api/graphql) con actualizaciones REST por slug exacto y remediación previa obligatoria remediate_canvas_rce_html() en los 12 entornos DEV/PRO y EXW-Demo (42051):

#!/usr/bin/env python3
"""
Module: canvas_cac_sync.py
Description: 3-Stage "Write Once -> Push Many" Zero-Drift Curriculum-as-Code (CaC)
             synchronization engine for Canvas LMS (GraphQL-First + Exact-Slug REST Upsert),
             enforcing all 8 Canvas Course Accessibility Checker rules and the 9:1 Double-Contrast Guard.
Author: Coach Alan Pruitt (Webcognita LLC • SDVOSB • SAM.gov UEI: EZ34U9KNJA17 • CAGE: 4ZCN6)
"""

CANVAS_3STAGE_PIPELINE_MATRIX = {
    "EXW101": {"oer_namespace": "KIN-101", "stage1_fall26_pro": 38773, "stage2_dev_8wk": 42044, "stage2_dev_16wk": 38157, "stage3_sp27_pro": 41088},
    "EXW150": {"oer_namespace": "HLTH-150", "stage1_fall26_pro": 39322, "stage2_dev": 38147, "stage3_sp27_pro": 41625},
    "EXW210": {"oer_namespace": "KIN-210", "stage2_dev_warm_standby": 42045},
    "EXW245": {"oer_namespace": "KIN-245", "stage2_dev": 38148},
    "EXW265": {"oer_namespace": "KIN-265", "stage1_fall26_pro": 38769, "stage2_dev": 38156, "stage3_sp27_pro": 41083},
    "EXW-DEMO": {"oer_namespace": "EXW-DEMO-HUB", "showcase_id": 42051},
}

Implementación de Referencia: push_announcement.py (S-A-R v2.2)

A continuación se muestra el publicador idempotente de anuncios (scripts/push_announcement.py) que aplica la Guardia Estudiantil en Lenguaje Sencillo y Español Norteño (validate_plain_english_copy()), la Guardia de Doble Contraste 9:1 y la deduplicación GET → PUT en los 5 cursos de la flota:

#!/usr/bin/env python3
"""
Module: push_announcement.py
Description: Idempotent S-A-R Canvas LMS Announcement Publisher enforcing the
             Plain-English / Norteño-Spanish student-facing gate, 9:1 contrast
             verification, and read-only dry-run safety across EXW 101-265.
Author: Coach Alan Pruitt (Webcognita LLC • SDVOSB • SAM.gov UEI: EZ34U9KNJA17 • CAGE: 4ZCN6)
"""

ACTIVE_SHELLS = {
    "EXW101": {"oer_namespace": "KIN-101", "fall26_pro_id": 38773, "dev_8wk_id": 42044, "sp27_pro_id": 41088},
    "EXW150": {"oer_namespace": "HLTH-150", "fall26_pro_id": 39322, "dev_id": 38147, "sp27_pro_id": 41625},
    "EXW210": {"oer_namespace": "KIN-210", "dev_warm_standby_id": 42045},
    "EXW245": {"oer_namespace": "KIN-245", "dev_id": 38148},
    "EXW265": {"oer_namespace": "KIN-265", "fall26_pro_id": 38769, "dev_id": 38156, "sp27_pro_id": 41083},
}

Implementación de Referencia: test_rag_pipeline.py (S-A-R v2.2)

A continuación se presenta el verificador pre-vuelo de 3 compuertas (scripts/test_rag_pipeline.py y scripts/test_rag_pipeline.sh) que valida /health (HTTP 200), la aplicación obligatoria de delimitadores (###CASE_DATA_START### / ###CASE_DATA_END### $\rightarrow$ HTTP 422) y la inferencia RAG local en Apple Silicon (exw-carbon4:latest $\rightarrow$ HTTP 200 con procedencia W3C PROV-O, DOM GraphRAG, Radar XAI 4-D y taxonomía bilingüe W3C SKOS):

#!/usr/bin/env python3
"""
Module: test_rag_pipeline.py
Description: 3-Gate S-A-R Pre-Flight Verifier for The EXW Clinical Auditor API
             (`scripts/canvas_rag_api.py` & `scripts/test_rag_pipeline.sh`), testing
             /health, HTTP 422 delimiter rejection, and HTTP 200 W3C PROV-O / DOM GraphRAG
             / W3C SKOS local Apple Silicon inference.
Author: Coach Alan Pruitt (Webcognita LLC • SDVOSB • SAM.gov UEI: EZ34U9KNJA17 • CAGE: 4ZCN6)
"""

from canvas_rag_api import handle_audit_payload, handle_health

def verify_rag_gates(neg_payload: dict, pos_payload: dict) -> dict:
    health_body, health_code = handle_health()
    neg_body, neg_code = handle_audit_payload(neg_payload)  # Expects HTTP 422 Rejected
    pos_body, pos_code = handle_audit_payload(pos_payload)  # Expects HTTP 200 W3C PROV-O
    return {
        "health_ok": health_code == 200 and health_body.get("status") == "healthy",
        "delimiter_422_guard_ok": neg_code == 422,
        "prov_o_and_skos_ok": pos_code == 200 and "provenance" in pos_body,
    }

Implementación de Referencia: argon4_fleet_evaluator.py (Compuerta 5: Auditoría U.S. DOL TEN N.º 07-25)

A continuación se presenta el evaluador de cumplimiento pre-commit de la Compuerta 5 (scripts/argon4_fleet_evaluator.py) que audita los 119 archivos curriculares activos de EXW101, EXW150, EXW210, EXW245 y EXW265 para las Áreas de Contenido 3–5 de la directiva U.S. DOL ETA TEN N.º 07-25 (Ingeniería de Prompts P-T-C-F, Auditoría Clínica SSoT de 150 Palabras y Verificación Activa de 150 Palabras) y sella los metadatos data-exw-dol-ten="07-25":

#!/usr/bin/env python3
"""
Module: argon4_fleet_evaluator.py
Description: Gate 5 Pre-Commit Compliance Evaluator enforcing U.S. DOL ETA TEN No. 07-25
             Content Areas 3-5 (P-T-C-F Prompt Engineering, 150-Word Clinical SSoT Audit,
             and Active Verification) and Pattern / Rule / Solve clinical framing across
             all 5 fleet courses (EXW101, EXW150, EXW210, EXW245, EXW265).
Author: Coach Alan Pruitt (Webcognita LLC • SDVOSB • SAM.gov UEI: EZ34U9KNJA17 • CAGE: 4ZCN6)
"""

FLEET_MODULES = ["EXW101", "EXW150", "EXW210", "EXW245", "EXW265"]
TEN_COMPLIANCE_TAG = 'data-exw-dol-ten="07-25"'

Implementación de Referencia: argon4_local_rag_verify.py (S-A-R v2.2)

A continuación se presenta el verificador soberano del índice RAG en Apple Silicon (scripts/argon4_local_rag_verify.py) que valida la integridad criptográfica SHA-256 de los fragmentos (verify_rag_chunk_integrity()) en los 3,638 fragmentos curriculares indexados (nomic-embed-text + exw-carbon4-cac:latest) y aplica el encapsulado delimitador ### RETRIEVED ACADEMIC SSoT CONTEXT ###:

#!/usr/bin/env python3
"""
Module: argon4_local_rag_verify.py
Description: Sovereign Apple Silicon RAG Corpus & Vector Index Integrity Verifier
             (`exw-carbon4-cac:latest` + `nomic-embed-text`), validating SHA-256
             chunk provenance and ### RETRIEVED ACADEMIC SSoT CONTEXT ### encapsulation.
Author: Coach Alan Pruitt (Webcognita LLC • SDVOSB • SAM.gov UEI: EZ34U9KNJA17 • CAGE: 4ZCN6)
"""

OLLAMA_MODEL = "exw-carbon4-cac:latest"
EMBEDDING_MODEL = "nomic-embed-text"
SOVEREIGN_MODEL_TRIAD = ("exw-carbon4-cac:latest", "exw-carbon4:latest", "exw-gemma4:latest")

Implementación de Referencia: canvas_graphql_sync.py (S-A-R v2.2)

A continuación se presenta el validador de sincronización Canvas GraphQL-First (/api/graphql) (scripts/canvas_graphql_sync.py y scripts/canvas_graphql_baseline.py) que verifica todas las consultas y mutaciones de la flota frente a la Línea Base del Esquema GraphQL en Vivo de AWC Canvas (30 consultas raíz, 122 mutaciones raíz, 674 tipos nombrados y límite de complejidad <375,000) en EXW101, EXW150, EXW210, EXW245 y EXW265:

#!/usr/bin/env python3
"""
Module: canvas_graphql_sync.py
Description: Canvas LMS GraphQL-First (/api/graphql) & Curriculum-as-Code (CaC)
             Synchronization Orchestrator validating queries/mutations against
             docs/standards/canvas_graphql_schema_baseline.json (<375,000 complexity).
Author: Coach Alan Pruitt (Webcognita LLC • SDVOSB • SAM.gov UEI: EZ34U9KNJA17 • CAGE: 4ZCN6)
"""

CANVAS_GRAPHQL_ENDPOINT = "https://azwestern.instructure.com/api/graphql"
MAX_GRAPHQL_COMPLEXITY = 375_000
TEN_COMPLIANCE_TAG = 'data-exw-dol-ten="07-25"'

Implementación de Referencia: prov_o_receipt_generator.py (W3C PROV-O JSON-LD S-A-R v2.2)

A continuación se presenta el generador de recibos de procedencia W3C PROV-O (http://www.w3.org/ns/prov#) + W3C SKOS (scripts/prov_o_receipt_generator.py) que vincula exw:LocalRAGInferenceExecution (prov:Activity), exw:CurriculumMarkdownCorpus (prov:Entity), exw:OllamaModelExwCarbon4Cac (prov:Entity), exw:Carbon4AppleSiliconNode (prov:SoftwareAgent) y exw:ComplianceAuditReceipt (prov:Entity) en un grafo JSON-LD firmado con SHA-256:

#!/usr/bin/env python3
"""
Module: prov_o_receipt_generator.py
Description: W3C PROV-O + W3C SKOS JSON-LD Provenance Receipt Generator tracing
             119 curriculum Markdown modules, 3,638 SHA-256 vector chunks, and
             local Apple Silicon inference (`exw-carbon4-cac:latest` + `nomic-embed-text`).
Author: Coach Alan Pruitt (Webcognita LLC • SDVOSB • SAM.gov UEI: EZ34U9KNJA17 • CAGE: 4ZCN6)
"""

PROV_O_CONTEXT = {
    "prov": "http://www.w3.org/ns/prov#",
    "exw": "https://alanpruitt.com/ns/exw#",
    "dcterms": "http://purl.org/dc/terms/",
    "skos": "http://www.w3.org/2004/02/skos/core#",
    "schema": "https://schema.org/",
}

Implementación de Referencia: build_oer_syndication_export.py (Compilador de Doble Espacio de Nombres y Estándares K–16 de 4 Niveles)

Las instituciones suelen enfrentar un dilema de acreditación al escalar programas de Doble Inscripción, Perkins V CTE, Running Start y WIOA. Incluir estándares de preparatoria (CCSS o WA.ELA) en el programa oficial universitario puede generar observaciones de acreditadores regionales sobre el rigor postsecundario. Omitirlos por completo invisibiliza el curso ante distritos escolares, OER Commons y Google Dataset Search.

Nuestro Compilador de Doble Espacio de Nombres (EXW -> KIN / HLTH) y Estándares de 4 Niveles (scripts/build_oer_syndication_export.py + 01_INFRASTRUCTURE/educational_alignment_registry.json) resuelve ambos frentes desde un único registro JSON con cero colisión de acreditación:

• Plano del Programa Oficial Universitario: Preserva íntegramente las competencias postsecundarias HLC y de transferencia universitaria (Procedimientos 601.3 / 615.3) sin dilución de nivel secundario.
• Plano de Sindicación K–16 y Fuerza Laboral: Compila automáticamente el Nivel 1 (SSoTs Clínicos Federales), Nivel 2 (US-DOL-TEN-07-25 y NSF-TECHACCESS-AI-READY-2026), Nivel 3 (ILOs HLC) y Nivel 4 (CCSS.ELA-LITERACY.W.11-12.6, CCSS.ELA-LITERACY.RST.11-12.7, WA.ELA.11-12.W.6—adaptable en minutos a cualquiera de los 50 estados) dentro de las tablas del Módulo 00, paquetes .zip OER con SHA-256 y Schema.org/Dataset JSON-LD.

Implementación de Referencia: .github/workflows/deploy.yml (Compuerta CI/CD WCAG y Canónica)

A continuación se presenta el flujo de trabajo automatizado de despliegue en producción con GitHub Actions (.github/workflows/deploy.yml) que ejecuta Hugo --minify, verificación de etiquetas canónicas (inject_canonicals.py), markdownlint, pour_audit.py, wcag3_atomic_linter.py, auditoría de rutas con Playwright y despliegue nativo de artefactos en GitHub Pages (actions/deploy-pages@v4):

name: Deploy Hugo Site with WCAG & Route Verification
on:
  push:
    branches: [main]
  workflow_dispatch:

jobs:
  build-and-audit:
    runs-on: ubuntu-latest
    steps:
      - uses: actions/checkout@v4
        with:
          fetch-depth: 0
          submodules: recursive
      - uses: peaceiris/actions-hugo@v3
        with:
          hugo-version: "latest"
          extended: true
      - name: Build, Inject Canonicals & Audit WCAG/POUR
        run: |
          hugo --minify
          python3 scripts/inject_canonicals.py
          npm run lint:md
          python3 pour_audit.py content/es/institutional-infrastructure/_index.md
          python3 scripts/wcag3_atomic_linter.py content/es/institutional-infrastructure/_index.md

Implementación de Referencia: argon4_checklist_evaluator.py (Auditor Maestro de Lista de Verificación de 5 Fases)

A continuación se presenta el Evaluador Maestro de Lista de Verificación de Despliegue S-A-R de 5 Fases (scripts/argon4_checklist_evaluator.py) que verifica dinámicamente todos los recibos JSON/PROV-O generados, firmas SHA-256, disponibilidad de RAG local en Apple Silicon (3,638 fragmentos vectoriales), cumplimiento de la Compuerta 5 de U.S. DOL TEN N.º 07-25 (119/119 APROBADOS), paridad del esquema GraphQL de Canvas (0 violaciones) y despliegue del portal Hugo/GitHub Actions:

#!/usr/bin/env python3
"""
Module: argon4_checklist_evaluator.py
Description: 5-Phase S-A-R Master Deployment Checklist Evaluator verifying local
             Apple Silicon RAG readiness, Gate 5 TEN No. 07-25 compliance, Canvas
             GraphQL-First sync, W3C PROV-O JSON-LD receipts, and Hugo CI/CD deployment.
Author: Coach Alan Pruitt (Webcognita LLC • SDVOSB • SAM.gov UEI: EZ34U9KNJA17 • CAGE: 4ZCN6)
"""

CHECKLIST_PHASES = [
    "Phase 1: Local Environment & Repository Synchronization",
    "Phase 2: Local AI & RAG Inference Pre-Flight",
    "Phase 3: Compliance & Accessibility Validation (Gates 1-5)",
    "Phase 4: LMS Synchronization & Provenance Tracing",
    "Phase 5: Production Deployment & Portal Overhaul",
]

Implementación de Referencia: argon4_ollama_env_config.sh (Entorno Soberano Ollama en Apple Silicon)

A continuación se presenta el script de configuración y verificación de memoria unificada en Apple Silicon (scripts/argon4_ollama_env_config.sh) que ajusta OLLAMA_FLASH_ATTENTION=1, OLLAMA_KV_CACHE_TYPE="q8_0", OLLAMA_NUM_PARALLEL=4 y OLLAMA_MAX_LOADED_MODELS=2 mientras verifica el manifiesto en vivo /api/tags para exw-carbon4-cac:latest, exw-carbon4:latest, exw-gemma4:latest y nomic-embed-text:latest:

#!/bin/zsh
export OLLAMA_HOST="127.0.0.1:11434"
export OLLAMA_MODELS="${HOME}/.ollama/models"
export OLLAMA_NUM_PARALLEL=4
export OLLAMA_MAX_LOADED_MODELS=2
export OLLAMA_FLASH_ATTENTION=1
export OLLAMA_KV_CACHE_TYPE="q8_0"

curl -sf "http://${OLLAMA_HOST}/api/tags" > /dev/null
ollama list | grep -E "exw-argon4-cac|exw-argon4|exw-gemma4|nomic-embed-text|gemma"

Manifiesto Maestro de Estado de Despliegue (m2_argon4_cac_deployment_status.json)

A continuación se presenta el manifiesto consolidado de estado de despliegue S-A-R v2.2 generado por scripts/argon4_checklist_evaluator.py, que vincula las 5 fases de despliegue y los 13 recibos criptográficos de auditoría en EXW-Master-Library, Canvas LMS (EXW 101, 150, 210, 245, 265 $\rightarrow$ KIN / HLTH), alanpruitt.com y webcognita.com:

{
  "system_report": "M2 / Carbon 4 Curriculum-as-Code (CaC) Deployment Status",
  "schema_version": "2.2.0",
  "author": "Coach Alan L. Pruitt (Webcognita LLC • SDVOSB • SAM.gov UEI: EZ34U9KNJA17 • CAGE: 4ZCN6)",
  "strategic_positioning": "Non-Competing 50-State Enabling Partner for NSF TechAccess: AI-Ready America & U.S. DOL ETA TEN No. 07-25 Initiatives",
  "infrastructure_status": {
    "hardware_nodes": "M1 MacBook Pro <-> M2 MacBook Air <-> Carbon 4 Edge Node (Thunderbolt Bridge 192.168.100.2 & Mandatory Two-Machine Git Handshake)",
    "local_rag_inference": "Active (Apple Silicon MLX Ollama runtime hosting exw-carbon4-cac:latest, exw-carbon4:latest, exw-gemma4:latest & nomic-embed-text:latest across 3,638 SHA-256 chunks)",
    "ferpa_compliance": "100% Air-Gapped Sovereign Execution (Zero Cloud Egress)"
  },
  "pipeline_execution_summary": {
    "phase_1_repository_sync": "PASSED (119 active Markdown SSoT modules verified across EXW101, EXW150, EXW210, EXW245, EXW265)",
    "phase_2_rag_preflight": "PASSED (Flask API /health HTTP 200, HTTP 422 ###CASE_DATA_START### delimiter guard & W3C PROV-O / SKOS active)",
    "phase_3_compliance_gates": "PASSED (Gate 5 TEN No. 07-25 data-exw-dol-ten='07-25' & 9:1 Double-Contrast Guard verified)",
    "phase_4_lms_sync": "PASSED (Canvas GraphQL-First /api/graphql & 3-Stage CaC receipts verified across EXW101, EXW150, EXW210, EXW245, EXW265 -> KIN / HLTH)",
    "phase_5_production_deployment": "PASSED (Hugo static site build, 232 canonicals, POUR/WCAG 3.0 linters, GitHub Actions CI/CD & 12-shell Coach Alan portrait verified)"
  }
}

Aviso Institucional y Descargo de Responsabilidad: La arquitectura Curriculum-as-Code, el Estándar S-A-R y las herramientas de software de código abierto descritas en esta plataforma representan ingeniería e investigación docente independiente a través de Webcognita LLC (SAM.gov UEI: EZ34U9KNJA17 | CAGE: 4ZCN6) y no representan políticas oficiales ni respaldo de Arizona Western College o The University of Arizona.