Construyo y evalúo agentes conversacionales con IA: desde elegir qué modelo de voz o LLM conviene según latencia, costo y privacidad, hasta probar que el sistema completo funcione y medir cómo lo perciben las personas que lo usan.

Concilia las deducciones de Amazon Vendor Central (faltantes, reclamos de precio, chargebacks) y los pagos contra los registros del vendor: decide qué se puede disputar, con qué evidencia y qué fila de qué archivo lo prueba, y arma la cola de trabajo por plazo y valor esperado. Sobre 2,7 millones de filas de 170 vendors (mundo sintético construido con datos reales de UCI y del BCE) encontró $895.010 recuperables, con 0 reclamos falsos frente a la verdad conocida.

• Curva de robustez contra lo que realmente pasó: la precisión se mantiene en 100 % aunque falte evidencia. Pipeline de cartas de disputa con Claude y un verificador determinista que exige que cada monto, ID y fecha salga de la evidencia (atrapó 975 de 975 errores inyectados).
• Python · pandas · pandera · pytest · hypothesis · Claude API · GitHub Actions

Versión streaming del motor anterior sobre Kafka 4.1 + Kafka Streams (exactly-once v2, 3 brokers, contratos Avro en Schema Registry). Juzga cada deducción en cuanto llega su evidencia y se corrige sola cuando llega evidencia tardía. En una prueba de caos con 464.512 eventos (mitad fuera de orden), matando un broker y la app con su estado borrado, dio 19.283 de 19.283 veredictos idénticos al motor batch, sin un solo duplicado.

• 8 ADRs (Kafka Streams vs Flink vs Spark, tiempo de negocio vs tiempo de Kafka, correcciones en un tópico compactado), diagramas C4, runbook, resumen ejecutivo y Terraform para Confluent Cloud con RBAC de mínimo privilegio.
• Java 21 · Kafka Streams · Avro · Schema Registry · Docker · Terraform · GitHub Actions

Agente con Claude que investiga cada deducción como un analista: usa herramientas de solo lectura (también expuestas como servidor MCP) para encontrar la factura detrás de una referencia ambigua, revisar envíos y pruebas de entrega, y redactar la carta de disputa. Guardrails deterministas deciden qué se presenta. Medido contra respuestas conocidas: 100 % de decisiones exactas con Opus 5.5 y 99,1 % con Haiku 5.5 (a $0,0009 por caso), 0 disputas falsas y 20 de 20 intentos de prompt injection resistidos.

• Evals con verdad conocida, una suite de inyección, cada traza navegable y una mejora documentada: el primer eval detectó una ambigüedad en el procedimiento (67 % → 99,1 %).
• Python · Claude API · MCP · tool use · evals · guardrails · GitHub Actions

El reporte que leería finanzas, escrito entero desde Python: el modelo semántico en TMDL y las páginas y visuales en PBIR (formato de proyecto .pbip), sobre las 111.224 decisiones del motor. Cada medida DAX tiene una implementación independiente en pandas y se compara celda por celda contra el motor de Power BI Desktop: 17.885 celdas, 0 diferencias. La primera corrida encontró un error real (una tasa que daba vacío en vez de 0 %).

• CI valida cada archivo contra los esquemas oficiales de Microsoft y el modelo con su Tabular Object Model; el build es determinista, así que cada cambio al reporte se revisa como un diff.
• Power BI · DAX · TMDL · PBIR · Python · .NET (TOM, ADOMD) · GitHub Actions

Comparé 15 servicios de STT, LLM y TTS (OpenAI, Anthropic, Gemini, Groq, Deepgram, Azure, AssemblyAI, ElevenLabs, Google) contra alternativas 100 % locales (Ollama, faster-whisper, Piper). Medí latencia, precisión (WER, MOS), costo, privacidad, customización e integración, y el flujo completo STT → LLM → TTS en cuatro stacks.

• Datos crudos, audios de prueba con hash SHA-256 y scripts para regenerar tablas y gráficos sin volver a gastar créditos.
• Python · Ollama · faster-whisper · Piper · pandas · pytest

Conecta a Claude, Cursor y otros asistentes con las APIs públicas del Ministerio de Hacienda: tipo de cambio, situación tributaria de contribuyentes (moroso u omiso), códigos CABYS con su IVA y exoneraciones. Por ejemplo, le puedes preguntar "¿qué CABYS e IVA lleva el café tostado?" o "¿esta empresa está al día con Hacienda?".

• 25 tests unitarios, tests de contrato contra la API real y CI en Node 18/20/22 con una corrida semanal en vivo.
• TypeScript · MCP SDK · Zod · Vitest · GitHub Actions

Sistema de reservas de vuelos con 3 microservicios Flask (vuelos, reservas, usuario) documentados con Swagger/OpenAPI, y una suite de pruebas automatizadas de API que incluye casos generados con un enfoque RAG (ChromaDB).

• Un servidor MCP que funciona como "QA Copilot": revisa la salud de los servicios, invoca endpoints, ejecuta suites de pytest y lee código y documentación del repo.
• CI en GitHub Actions con reportes JUnit y recolección de métricas de pruebas.
• Python · Flask · FastMCP · ChromaDB · pytest · Docker · GitHub Actions

Experimento de investigación en Unity con tres condiciones: sin asistencia, chat con Gemini, y avatar 3D con voz Azure TTS y sincronía labial. Registra el desempeño y la confianza de cada participante (escala 1–7) para analizar cómo la presencia del agente cambia la confianza del usuario.

• Demos en video: sin asistencia · solo chat · avatar y voz
• Unity · C# · Gemini API · Azure Speech · Python (análisis)

App para registrar hábitos diarios, semanales o mensuales, con rachas, estadísticas y un panel de administración. La llevé de prototipo a app integrada: corregí el contrato roto entre frontend y backend, conecté el panel a datos reales y cerré un hueco de seguridad que encontraron los tests.

• 70 tests (API con Supertest, servicios del frontend y end-to-end con Playwright) y CI en GitHub Actions; desplegada en Render como un solo servicio con PostgreSQL.
• TypeScript · React · Express · Prisma · PostgreSQL · Playwright · GitHub Actions

IA y LLMs: OpenAI · Anthropic · Gemini · Ollama · RAG · MCP · STT/TTS
Backend: Python · Flask · Node.js · Express · Prisma · PostgreSQL
Datos y BI: SQL · Power BI · DAX · pandas · Kafka Streams
Frontend: React · Vite · TypeScript · Tailwind CSS
Calidad y DevOps: pytest · GitHub Actions · Docker
Otros: Unity · C#

Agentes de IA en producción, evaluación y observabilidad de LLMs, automatización de pruebas con IA y productos de datos. Abierto a oportunidades y proyectos freelance: escribime.

I build and evaluate AI conversational agents: from choosing the right speech or LLM model based on latency, cost and privacy, to testing that the whole system works and measuring how people perceive it.

Reconciles Amazon Vendor Central deductions (shortages, price claims, chargebacks) and payments against a vendor's records: decides what can be disputed, with which evidence and which file row proves it, and builds a work queue by deadline and expected value. On 2.7M rows from 170 vendors (a synthetic world built on real UCI and ECB data) it found $895,010 recoverable with zero false claims against ground truth.

• Robustness curve against what really happened: precision holds at 100 % as evidence goes missing. A dispute-letter pipeline with Claude and a deterministic verifier that requires every amount, ID and date to come from the evidence (caught 975 of 975 injected errors).
• Python · pandas · pandera · pytest · hypothesis · Claude API · GitHub Actions

The streaming version of the engine above, on Kafka 4.1 + Kafka Streams (exactly-once v2, 3 brokers, Avro contracts in Schema Registry). It judges each deduction as soon as its evidence arrives and corrects itself when late evidence changes a verdict. In a chaos test on 464,512 events (half out of order), killing a broker and then the app with its state wiped, it produced 19,283 of 19,283 verdicts identical to the batch engine, with zero duplicates.

• 8 ADRs (Kafka Streams vs Flink vs Spark, business time vs Kafka time, corrections on a compacted topic), C4 diagrams, a runbook, an executive brief and Terraform for Confluent Cloud with least-privilege RBAC.
• Java 21 · Kafka Streams · Avro · Schema Registry · Docker · Terraform · GitHub Actions

A Claude agent that works each deduction like an analyst: read-only tools (also served as an MCP server) to find the invoice behind a messy reference, check shipments and proofs of delivery, and draft the dispute letter. Deterministic guardrails decide what gets filed. Measured against known answers: 100 % exact decisions with Opus 5.5 and 99.1 % with Haiku 5.5 (at $0.0009 per case), zero false disputes, and 20 of 20 prompt-injection attempts resisted.

• Evals with ground truth, an injection suite, every trace browsable, and a documented fix: the first eval caught an ambiguity in the procedure (67 % → 99.1 %).
• Python · Claude API · MCP · tool use · evals · guardrails · GitHub Actions

The report finance would read, written entirely from Python: the semantic model in TMDL and the pages and visuals in PBIR (the .pbip project format), over the engine's 111,224 decisions. Every DAX measure has an independent pandas implementation and is compared cell by cell on Power BI Desktop's own engine: 17,885 cells, zero mismatches. The first run caught a real bug (a rate showing blank instead of 0 %).

• CI validates every file against Microsoft's published schemas and the model with its Tabular Object Model; the build is deterministic, so every change to the report is reviewed as a diff.
• Power BI · DAX · TMDL · PBIR · Python · .NET (TOM, ADOMD) · GitHub Actions

Benchmarked 15 STT, LLM and TTS services (OpenAI, Anthropic, Gemini, Groq, Deepgram, Azure, AssemblyAI, ElevenLabs, Google) against fully local alternatives (Ollama, faster-whisper, Piper). Measured latency, accuracy (WER, MOS), cost, privacy, customization and integration effort, plus the full STT → LLM → TTS pipeline across four stacks.

• Raw data, SHA-256-verified test audio and scripts to rebuild every table and chart without spending API credits.
• Python · Ollama · faster-whisper · Piper · pandas · pytest

Connects Claude, Cursor and other assistants to Costa Rica's Ministry of Finance public APIs: exchange rates, taxpayer status, CABYS product codes with their VAT rate, and tax exemptions.

• 25 unit tests, live contract tests against the real API, and CI on Node 18/20/22 with a weekly live run.
• TypeScript · MCP SDK · Zod · Vitest · GitHub Actions

Flight booking system with 3 Flask microservices (flights, bookings, user facade) documented with Swagger/OpenAPI, plus an automated API test suite that includes RAG-generated test cases (ChromaDB).

• An MCP server acting as a "QA Copilot": checks service health, calls endpoints, runs pytest suites and reads code and docs from the repo.
• GitHub Actions CI with JUnit reports and test metrics collection.
• Python · Flask · FastMCP · ChromaDB · pytest · Docker · GitHub Actions

A Unity research experiment with three conditions: no assistance, Gemini chat, and a 3D avatar with Azure TTS voice and lip sync. It logs each participant's performance and trust (1–7 scale) to study how the agent's presence changes user trust.

• Video demos: no assistance · chat only · avatar + voice
• Unity · C# · Gemini API · Azure Speech · Python (analysis)

Track daily, weekly or monthly habits with streaks, stats and an admin panel. I took it from prototype to integrated app: fixed the broken frontend/backend contract, wired the dashboard to real data, and closed a security gap the tests uncovered.

• 70 tests (Supertest API tests, frontend service tests and Playwright end-to-end) with GitHub Actions CI; deployed on Render as a single service with PostgreSQL.
• TypeScript · React · Express · Prisma · PostgreSQL · Playwright · GitHub Actions

AI & LLMs: OpenAI · Anthropic · Gemini · Ollama · RAG · MCP · STT/TTS
Backend: Python · Flask · Node.js · Express · Prisma · PostgreSQL
Data & BI: SQL · Power BI · DAX · pandas · Kafka Streams
Frontend: React · Vite · TypeScript · Tailwind CSS
Quality & DevOps: pytest · GitHub Actions · Docker
Other: Unity · C#

Production AI agents, LLM evaluation and observability, AI-assisted test automation and data products. Open to roles and freelance projects: get in touch.