Construyo productos end-to-end impulsados por Inteligencia Artificial: agentes especializados, servidores MCP, backends en Python y apps Flutter, desplegados sobre AWS con CI/CD. De la arquitectura al despliegue en producción.
No es un video ni un GIF. Es el agente de voz real de mi proyecto VoiceAgent atendiendo como agencia de viajes: consulta precios reales, valida códigos de reserva y aparta paquetes ejecutando herramientas contra su backend. Te contesta hablando.
La inferencia no está en la nube: corre en mi equipo y se publica aquí por un relay de WebSockets
en Django Channels. Mi máquina marca hacia afuera, así que en casa no hay IP pública ni puertos abiertos.
Se atiende una conversación a la vez.
Tarda unos 7-8 segundos en empezar a hablar: reconocimiento, modelo de lenguaje y síntesis de voz
comparten una sola GPU y se turnan. Es límite de hardware, no del diseño — sobre APIs en la nube
el mismo pipeline responde por debajo de 1.5 s. Lo que sí es mérito del software: el agente empieza a
hablar antes de terminar de pensar, y puedes interrumpirlo a media frase.
Plataformas reales de IA, voz, movilidad y SaaS — diseñadas, construidas y desplegadas de principio a fin.
Sistema que aprende de llamadas grabadas para crear un agente telefónico en tiempo real. Minería de transcripciones (Whisper local + diarización) para extraer playbooks de resolución probados, inyectados vía RAG a un LLM. Orquestador FastAPI + WebSocket con STT streaming, barge-in y TTS con pipeline de oraciones: latencia percibida menor a 1.5 s por turno. Multi-tenant, con tool-calling seguro sobre endpoints internos del cliente (allowlist validada + auditoría) y loop de evaluación humano-vs-IA con promoción/rollback de versiones.
Motor TTS en español con F5-TTS (Diffusion Transformer) + conversión de timbre con RVC sobre GPU (CUDA). Arquitectura de microservicios con entornos híbridos Python 3.13/3.10, worker RVC persistente en GPU y extracción determinista de identidad de voz (MFCC, 512-dim). De ~21 s a ~2-4 s por oración.
App Flutter + API REST donde la feature central es detectar socios en riesgo de churn y enviarles mensajes personalizados generados con Claude vía push (FCM), con fallback resiliente. Check-in por QR offline firmado con JWT, reservas de clases, pagos con MercadoPago y dashboard admin de retención.
Un solo codebase Flutter que genera dos apps con identidades opuestas mediante Flavors: CutRoom (barberías) y Lumina (estéticas). Backend SaaS con planes, cuotas y features configurables en BD sin deploy (Open/Closed), suscripciones con máquina de estados, doble integración MercadoPago (billing + OAuth por negocio), motor de disponibilidad timezone-aware (UTC + wall time por negocio), scheduler con lock distribuido en Redis y CI/CD completo: Bitbucket Pipelines → VPS con rebuild condicional, health gate y rollback automático.
Ecosistema completo de rastreo GPS antirrobo desplegado en producción (mototrack.cloud): app Flutter con vinculación del rastreador por QR cifrado (AES + secure storage), ubicación en segundo plano vía canales nativos, alertas de movimiento no autorizado en tiempo real y chat de soporte por WebSocket. Ante una alerta, un agente de IA de seguridad atiende al dueño: consulta el estado y la ubicación real del rastreador, registra si el movimiento fue autorizado y, si es robo, activa el protocolo — rastreo continuo, inmovilización del motor y folio para la policía (acciones sensibles con confirmación verbal). Backend con cuentas, motos, rastreadores, suscripciones y pagos, servido con Docker + Nginx y SSL.
Sistema multi-agente que corre completamente en local (RTX 3090, cero APIs de pago): un Estratega de Contenido que cruza tendencias scrapeadas con Playwright (TikTok, GitHub Trending, Hacker News) para generar ideas de video, y un Asistente de WhatsApp que responde mensajes reales con contexto de mis proyectos vía RAG local (ChromaDB + embeddings). Gateway de WhatsApp propio en Node.js (Baileys, sesión por QR, sin API de pago), selector dinámico de modelos servidos por LM Studio, generación de miniaturas con ComfyUI por WebSocket y dashboard de monitoreo en Streamlit.
Agentes de IA especializados con servidores MCP que exponen herramientas a LLMs, Dev Agents para automatizar desarrollo, flujos conversacionales multi-paso con Claude, sistemas de contexto entre herramientas y guardrails para controlar la ejecución y reducir respuestas fuera de política. Skills que amplían las capacidades de los agentes e integración con bases de datos y microservicios, sobre infraestructura AWS.
Interfaz Flutter para conversar con agentes de IA (el frontend del Dev Agent de abajo): glassmorphism HUD con telemetría expansiva de cada tool-call, render Markdown, WebSocket con reconexión exponencial y layout adaptativo que divide chat y panel de razonamiento del agente en escritorio.
Agente de desarrollo construido desde cero en Python (sin frameworks de agentes) que recibe un feature request (título, descripción, endpoints, Figma) y lo implementa en un proyecto Flutter respetando reglas de arquitectura inyectadas. Pipeline multi-agente Planner → Coder → Reviewer sobre un runtime propio de function calling: ejecutor de herramientas con validación de argumentos, tools de sistema de archivos, terminal y proyecto, descomposición de tareas con motor de ejecución, y memoria persistente con RAG (embeddings + vector store) para recordar decisiones entre tareas. Expuesto por servidor WebSocket con registro de agentes y eventos tipados — el mismo canal que consume el Agent Chat UI — e incluye modo tutor con STT/TTS por voz.
Liderazgo técnico con las manos en el código: arquitectura, desarrollo y despliegue.
De los modelos de lenguaje a la nube, pasando por el móvil.
Estoy abierto a proyectos de agentes de IA, automatización, plataformas end-to-end y liderazgo técnico. Respondo rápido.
Agente con control de mi estación de trabajo: abre programas, opera ventanas por UI Automation y ejecuta comandos. Requiere contraseña y que yo haya armado el canal desde la propia máquina.