Soy un Ingeniero de Sistemas Senior con más de 11 años de experiencia en la construcción de software escalable y de alta concurrencia. Mi carrera ha evolucionado desde el desarrollo Full Stack hacia una profunda especialización en la arquitectura y despliegue de sistemas de IA autónomos y multi-agente.
Mi trabajo práctico con frameworks como LangChain y LangGraph en la construcción de soluciones RAG y de memoria híbrida me ha llevado a las fronteras de la IA agéntica, identificando las limitaciones de los paradigmas actuales. Esta experiencia es el motor detrás de mi investigación de maestría y el desarrollo de CODA, una novedosa arquitectura de razonamiento jerárquico para enjambres de IA.
Mi objetivo es fusionar la ingeniería de software robusta con la ciencia cognitiva para construir la próxima generación de agentes inteligentes: sistemas que no solo responden, sino que razonan, aprenden y explican.
- 🧠 Investigación y Desarrollo de CODA: Diseñando y prototipando CODA (Cognitive Orchestration and Dynamic Assembly) como parte de mi tesis de maestría. Mi investigación se centra en implementar un motor de razonamiento jerárquico (basado en la taxonomía DOK) sobre una arquitectura de memoria híbrida para crear agentes verdaderamente metacognitivos.
- 🛠️ LLMOps y Sistemas Multi-Agente: Aplicando principios de MLOps y LLMOps para el despliegue, monitoreo y versionado de sistemas multi-agente en entornos de producción, utilizando herramientas como Kubernetes, ArgoCD y MLflow.
- ☁️ Cloud y Alto Rendimiento: Profundizando en el ecosistema de GCP (Vertex AI) y perfeccionando mis habilidades en Rust para la construcción de componentes de IA de alto rendimiento.
🧠 AI & Agentic Engineering
Frameworks: LangChain, LangGraph, CrewAI, Google ADK
Paradigmas: Sistemas Multi-Agente, RAG, Chain-of-Thought, ReAct
Arquitecturas de Memoria: Memoria Híbrida (Vectorial, Episódica, Semántica), Grafos de Conocimiento
Conceptos de IA: Modelos Transformer, Embeddings, Fine-Tuning, LLMOps, MCP
Bases de Datos Vectoriales: Qdrant, pgVector, Neo4j (Graph+Vector)
Librerías ML: PyTorch, TensorFlow, Scikit-learn, Hugging Face
⚙️ Backend, DevOps & Cloud
Lenguajes: Python, Java, Rust, Go, Kotlin, TypeScript, PHP
Frameworks Backend: FastAPI, Spring Boot, NestJS, NodeJS
Cloud: Azure (AKS, Data Factory, Databricks), GCP (Vertex AI, GKE), AWS
CI/CD & Infraestructura: Docker, Kubernetes, ArgoCD, Jenkins, Terraform, Helm
Bases de Datos: PostgreSQL, MongoDB, Redis, Elasticsearch, Spark SQL
🌐 Frontend & Fullstack
Frameworks: Angular, Next.js, React
Lenguajes: JavaScript, TypeScript, Dart (Flutter)
UI/UX: Tailwind CSS, Bootstrap
-
- Descripción: Mi proyecto de tesis de maestría. CODA es una arquitectura completa que implementa un pipeline de razonamiento basado en la taxonomía de Profundidad de Conocimiento (DOK) sobre una memoria híbrida con un grafo de conocimiento. Su objetivo es permitir que enjambres de agentes resuelvan problemas complejos de forma explicable y eficiente.
- Tecnologías Clave: Rust, Arquitectura Multi-Agente, Grafos de Conocimiento, LLMOps.
- Estado: En desarrollo.
-
- Descripción: Lideré el desarrollo de un agente conversacional para una Telco, implementando un flujo dinámico de RAG que optimizó la recuperación de información y la memoria contextual. Este sistema redujo el tiempo de respuesta a preguntas complejas en un 40%.
- Tecnologías Clave: LangChain, LangGraph, Qdrant, FastAPI, Spring Boot (para flujos asíncronos).
-
- Descripción: Diseñé y configuré un pipeline CI/CD completo para el despliegue seguro y versionado de agentes de IA. El flujo incluye tests automáticos, gates de calidad, despliegue en Kubernetes (AKS) con Helm y monitoreo con Prometheus y Grafana.
- Tecnologías Clave: Jenkins, Docker, Kubernetes, Helm, ArgoCD, Terraform.
