Tecnologías que domino, de frontend a infraestructura.
Es donde paso la mayor parte del tiempo. Python (Django, DRF, FastAPI) para servicios de producto y APIs, Ruby on Rails cuando el dominio ya vive ahí, y Node con TypeScript para servicios de integración. Entre un proyecto y otro lo que cambia rara vez es el framework: cambia el modelo de datos y dónde se ponen los límites entre servicios.
Python
Ruby on Rails
Node y TypeScript
Otros lenguajes
No es mi trabajo principal, pero he construido y mantenido bastante interfaz de operación: paneles de KYC, dashboards de experimentos A/B, seguimiento de entregas en tiempo real. React y Next.js son mi terreno habitual y Angular aparece cuando el equipo ya está ahí. En este tipo de pantallas pesa más que se entienda el estado que cualquier otra cosa.
React
Angular
Interfaz
Pruebas
PostgreSQL por defecto, y el resto cuando hay una razón concreta: Redis para colas y caché, ClickHouse para analítica multitenant, pgvector y Pinecone cuando hace falta búsqueda semántica sobre datos propios. Los pipelines (Airflow, ETL, Segment) suelen ser la mitad del trabajo real, aunque nunca se vean en la interfaz.
Bases de datos
Vectoriales y búsqueda
Pipelines
Aparece cuando dos servicios dejan de poder esperarse. Kafka y RabbitMQ para eventos, Temporal para flujos que duran días y tienen que sobrevivir a un reinicio, gRPC y Protobuf cuando el contrato importa más que la comodidad. Los patrones que van aquí (outbox, saga, idempotencia) están porque en producción los eventos llegan repetidos, tarde o en desorden.
Brokers
Orquestación
Contratos
Patrones
AWS y GCP sobre Kubernetes, con Terraform o Pulumi según lo que ya use el equipo. Mi objetivo es que desplegar sea aburrido: pipeline reproducible, rollback en un comando y suficiente instrumentación para responder qué se rompió sin abrir un debate. La observabilidad no la trato como un extra al final del proyecto.
Nube
Contenedores
Automatización
Observabilidad
Agentes y recuperación dentro del producto, no como demostración. En StyleSeat fueron agentes que quitan trabajo repetitivo a los profesionales; en Mastercard, modelos de detección de fraude conectados por MCP; en otros proyectos, RAG sobre datos propios. Lo que decide si sirve casi nunca es el modelo: son los datos que le llegan y las evaluaciones que lo miden.
Modelos
Agentes
Recuperación