Construye sistemas que razonan — y ejecutan.

La IA es un problema de arquitectura de sistemas

La IA se vuelve valiosa cuando puede trabajar con datos reales, aplicaciones reales, infraestructura real y restricciones reales. El modelo es solo un componente. La parte difícil es diseñar todo a su alrededor para que el sistema completo se comporte de manera confiable.

Mi trabajo se centra en esa arquitectura: cómo los modelos acceden al conocimiento, recuperan evidencia, usan herramientas, interactúan con el software, intercambian datos y se convierten en parte de sistemas que realmente pueden ejecutarse en producción.

Eso significa trabajar en arquitectura de IA, lógica de aplicaciones, API, bases de datos, plataformas full-stack, infraestructura, despliegue y operación en lugar de tratar la IA como una característica aislada.

Enfoque técnico actual

Mi trabajo actual se concentra en la capa entre la capacidad del modelo y el comportamiento confiable del sistema: decidir cuándo un modelo puede usar su propio conocimiento, cuándo debe recuperar información externa, qué evidencia es suficiente, cómo deben ejecutar acciones los agentes y dónde deben aplicarse los límites del sistema.

• Generación aumentada por recuperación y desencadenantes de recuperación
• Sistemas de agentes, uso de herramientas y bucles de ejecución
• Límites de contexto, evidencia y confiabilidad de las respuestas
• Enrutamiento de modelos y arquitecturas conscientes de las capacidades
• Infraestructura de IA privada, local y autoalojada
• Integración de la IA en flujos de trabajo reales de aplicaciones y datos

Arquitectura de sistemas de IA

Las aplicaciones modernas de IA no se construyen solo con un modelo de lenguaje. Los sistemas confiables requieren decisiones sobre conocimiento, recuperación, contexto, herramientas, estado de la aplicación, validación, selección de modelos y manejo de fallos.

• RAG e integración de conocimiento externo
• Decisiones de recuperación y selección de evidencia
• Agentes de IA y flujos de trabajo basados en herramientas
• Arquitecturas de modelos locales y remotos
• Enrutamiento de modelos y capacidades
• Diseño de contexto y gestión de límites de contexto
• Salidas estructuradas e integración de API
• Validación, observabilidad y manejo de fallos

Por lo tanto, la pregunta arquitectónica central no es simplemente qué modelo usar. Es qué sabe el modelo, qué no sabe, qué debe recuperar, qué herramientas puede usar, qué evidencia es suficiente y cuándo el sistema debe dejar de confiar en una respuesta generada.

Arquitectura de plataforma

La IA es una capa de un sistema de software más amplio. Diseño plataformas en torno a límites de aplicación claros, servicios reutilizables, modelos de datos estructurados y arquitectura orientada a producción en lugar de características aisladas.

• Arquitecturas nativas de la nube y autoalojadas
• Plataformas multiinquilino y multiinstancia
• Servicios backend y arquitectura de API
• PostgreSQL y modelado de datos de aplicaciones
• Autenticación, autorización y acceso basado en roles
• Sistemas multilingües e internacionalizados
• Plataformas de contenido headless y publicación estructurada
• Servicios de IA integrados en la lógica de aplicaciones existente

Ingeniería de sistemas full-stack

La arquitectura importa más cuando sobrevive a la implementación. Trabajo en frontend, backend, datos e infraestructura para que las decisiones arquitectónicas sigan siendo coherentes desde la interfaz de usuario hasta la base de datos, el entorno de ejecución y la capa de despliegue.

Los sistemas típicos combinan frontends de Nuxt y Vue, servicios de Node.js y TypeScript, capas de datos de PostgreSQL y Prisma, Python donde ofrece el mejor ajuste técnico, e infraestructura de producción basada en Linux.

Ingeniería de producción

Un prototipo demuestra una idea. Un sistema de producción tiene que sobrevivir al despliegue, a los datos reales, a los requisitos cambiantes, al comportamiento del usuario, al tráfico, a las actualizaciones, a los fallos y al desarrollo continuo.

• Entornos de servidor Linux
• NGINX y enrutamiento de aplicaciones
• Despliegue de aplicaciones y operación en tiempo de ejecución
• Migraciones de bases de datos y ciclo de vida de los datos
• Flujos de compilación y publicación
• Registro, diagnóstico y monitoreo técnico
• Rendimiento, rastreabilidad y restricciones de entrega
• Integración de entornos de ejecución de IA locales y alojados

Sistemas construidos en la práctica

La arquitectura descrita aquí no es teórica. Se desarrolla a través de sistemas que diseño, construyo, opero y extiendo continuamente.

Cliente de IA Aaasaasa

Una aplicación de IA de escritorio construida en torno a Electron y TypeScript con soporte para modelos locales y remotos, abstracción de proveedores, límites de aplicación seguros e integración con entornos de ejecución de IA externos.

Aaasaasa Empresarial

Una arquitectura de plataforma orientada a empresas que combina servicios de aplicación, datos estructurados, acceso basado en roles, contenido multilingüe, capacidades de IA y funcionalidad empresarial modular.

Plataforma stajic.de

Una plataforma de producción utilizada para publicación estructurada, entrega multilingüe, flujos de trabajo asistidos por IA, investigación técnica y experimentos en torno a búsqueda, recuperación y conocimiento legible por IA.

Plataformas de producción independientes

loving.rocks, figure.rocks y sistemas relacionados extienden el mismo enfoque de ingeniería a entornos de producción independientes con sus propias audiencias, modelos de contenido, estructuras multilingües, requisitos de búsqueda y restricciones operativas.

Investigación técnica y escritura

Una parte significativa de mi trabajo actual examina la frontera entre la capacidad de los modelos de lenguaje y el comportamiento fiable de las aplicaciones. El objetivo es convertir la arquitectura compleja de IA en conceptos que puedan explicarse, probarse, cuestionarse e implementarse.

• Cómo RAG conecta los modelos con el conocimiento externo
• De dónde obtiene un LLM su información y dónde comienza la recuperación
• Cuándo un sistema de IA debería dejar de depender del conocimiento del modelo
• Cómo deben seleccionarse y validarse las evidencias
• Por qué ventanas de contexto más grandes no producen automáticamente mejores respuestas
• En qué se diferencian los bucles de agentes de la infraestructura gestionada de agentes
• Cómo la arquitectura de IA privada cambia las decisiones de infraestructura
• Dónde se rompe la fiabilidad de las respuestas entre la recuperación y la generación

Estos temas forman una base de conocimiento técnico conectada en lugar de una colección de artículos aislados. Cada uno aborda una frontera diferente dentro de los sistemas modernos de IA.

Un sistema, no una colección de características

El frontend, el backend, la IA, los datos y la infraestructura a menudo se discuten como disciplinas separadas. En producción, se afectan continuamente entre sí.

Una decisión de recuperación cambia la arquitectura de datos. La arquitectura de datos afecta las API. Las API afectan el estado de la aplicación. El estado de la aplicación afecta el comportamiento del agente. La infraestructura limita las opciones de modelo. La arquitectura de búsqueda afecta cómo se descubre la información tanto por personas como por máquinas.

Mi enfoque es, por lo tanto, orientado a sistemas: comprender la cadena completa antes de optimizar un componente individual.

Fundamento Técnico

• TypeScript y JavaScript
• Nuxt y Vue
• Node.js y Nitro
• Python
• PostgreSQL y Prisma
• REST y API de aplicaciones
• Electron
• Linux y NGINX
• Docker y despliegue basado en servicios
• API de OpenAI y herramientas de agentes
• Entornos de ejecución LLM locales, incluido Ollama
• Contenido estructurado y EditorJS

La Arquitectura También Debe Ser Entregable

La arquitectura técnica existe dentro de productos, proyectos, presupuestos, dependencias y plazos. Por lo tanto, mi trabajo combina la ingeniería con una entrega estructurada en lugar de separar las decisiones técnicas de la responsabilidad de implementación.

Más de dos décadas de trabajo práctico en TI se complementan con métodos formales de proyecto y entrega, incluidos la certificación IPMA y Professional Scrum Master. Estos métodos apoyan el trabajo de ingeniería; no lo reemplazan.

Construir Algo Que Realmente Pueda Funcionar

El objetivo no es adjuntar IA a todo. Es identificar dónde la IA proporciona una capacidad real del sistema, diseñar la arquitectura en torno a ella y construir el software circundante con la suficiente solidez para que esa capacidad se vuelva útil.

Desde la recuperación y el comportamiento del modelo hasta las API, los datos, las interfaces y la infraestructura, el enfoque sigue siendo el mismo: sistemas técnicamente coherentes que pasan de la arquitectura a la producción.