Escribo sobre la realidad desordenada de construir a través de problemas desconocidos. Pipelines RAG, evaluación de LLMs, agentes de voz, optimización de costos, y lo que realmente funcionó en producción.
Sin spam. Solo historias de lo que envío a producción.
Bitácoras de construcción, inmersiones técnicas y lecciones de producción.
Agregar IA a un producto es facil. Decidir si mantenerla es lo dificil. Este es el framework de decision que uso para el ciclo de vida de funcionalidades de IA: cuando agregar, como medir y cuando matar.
La mayoría de los equipos agregan guardrails después del primer incidente. Para entonces, datos ya se filtraron o el agente acumuló $2,000 en una factura de API. Esta es la guía para construirlos desde el día uno.
La observabilidad tradicional fue diseñada para sistemas deterministas. Los sistemas de IA son probabilísticos -- misma entrada, distinta salida. Así es como construí monitoreo que realmente funciona para sistemas con LLM en producción.
La mayoría de tutoriales de agentes muestran un loop ReAct que funciona con 3 casos de prueba. Los agentes en producción necesitan límites de herramientas, lógica de reintentos, topes de costo y checkpoints humanos. Este es el manual que uso.
La mayoria de los equipos tratan fine-tuning y RAG como alternativas. No lo son. Resuelven problemas distintos, cuestan diferente, y a veces necesitas ambos. Este es el framework de decision que uso en produccion.
El mercado de bases de datos vectoriales quiere que adoptes Pinecone o Weaviate. Para la mayoria de equipos, Postgres con pgvector elimina un servicio entero de tu stack -- y rinde dentro del 5% de las soluciones dedicadas con 1M de vectores.
La mayoría de prototipos RAG cuestan $2-5 por consulta. Con 10,000 consultas diarias eso es $1.5M al año. Reduje costos de retrieval en un 99% en producción. Esta es la guía práctica.
No desplegamos código sin tests. ¿Por qué desplegamos IA sin evals? Guía práctica para construir harnesses de evaluación que hacen los sistemas de IA confiables.
El vendor lock-in en IA es existencial. Este es el patrón de arquitectura que uso para convertir la elección de proveedor en una decisión de enrutamiento en lugar de una reescritura: model gateways, portabilidad de embeddings y abstracción de almacenamiento.
El mayor riesgo en IA no es el modelo, es todo lo que lo rodea. Cómo una mentalidad de ingeniería de producción convierte demos frágiles en sistemas de producción robustos.
Conoce mis proyectos, decisiones de arquitectura y las concesiones detrás de cada sistema que he lanzado. Pregúntale lo que sea.