Proyectos

Experimentos y demos construidos con tecnología real.

Apagado

Planificador de Viajes (Cadena de Agentes)

Escribe un pedido de viaje y mira cómo una cadena de agentes especializados se pasa el trabajo en tiempo real hasta entregar un itinerario día a día verificado contra tu presupuesto. Un orquestador en LangGraph controla el flujo; un Qwen 2.5 local solo redacta la prosa, mientras las decisiones tipadas y la aritmética resuelven el resto. Si el plan se pasa del presupuesto, un agente de resolución de conflictos lo renegocia sin intervención humana. LLM local (Qwen 2.5 vía Ollama), sin API keys; datos en vivo de clima, lugares y tipo de cambio desde fuentes abiertas.

PythonFastAPILangGraphOllama (Qwen 2.5 1.5B)SSE
Apagado

Agentic Racing

Seis autos idénticos corren un circuito cerrado en el navegador. Cada auto es un agente de dos capas: un piloto que conduce cada frame, y un jefe de equipo LLM independiente que lee la telemetría en vivo y radía una estrategia — atacar, defender, conservar — al estilo de la radio de equipo en F1, en pantalla. La carrera nunca espera al modelo: una heurística fija toma el control apenas está lento, apagado, o responde un JSON inválido. Totalmente autohospedado: un llama3.2:3b local detrás de un proxy con su propio circuit breaker, rate limit y control de concurrencia.

Unity WebGLPythonFastAPIOllama (Llama 3.2 3B)
Apagado

Chatbot RAG sobre Posts del Blog

Un chatbot interactivo de generación aumentada por recuperación que responde preguntas usando mis posts del blog como base de conocimiento. Totalmente autohospedado: búsqueda vectorial semántica (pgvector) con embeddings multilingües y un LLM Qwen 2.5 local servido por Ollama — sin APIs de LLM externas.

PythonFastAPIpgvectorsentence-transformersOllama (Qwen 2.5)
Apagado

El agente que sueña

Un agente conversacional con memoria de tres niveles (corto, mediano y largo plazo) y una fase de "sueño" que la consolida offline, inspirado en LightMem (ACL 2026). Conversa con él y mira qué decidió cada módulo en cada turno, qué hay en cada nivel de memoria y qué cambió el Dream — fusiones, actualizaciones, promociones y olvidos, como un diff revisado por un validador determinista. Un selector responde con LightMem, con un RAG ingenuo o con ambos lado a lado. Todo local: un Qwen 2.5 3B pequeño y embeddings bge-m3 en Ollama, sin APIs externas.

PythonFastAPISQLiteOllama (Qwen 2.5 3B)bge-m3
Apagado

Playground Harness² de agentes IA

Un recorrido interactivo por la optimización recursiva de agentes: Harness² mejora el harness de un agente —su system prompt, su memoria y su guía de herramientas— en lugar del modelo, en un ciclo Propose → Probe → Compose. Elige un escenario de Legal LAB, JobBench o WorkBuddy y mira cómo un modelo pequeño de pesos abiertos (Qwen2.5 1.5B o Gemma 2 2B, servido por Ollama dentro del demo, sin API externa) propone cada cambio candidato, lo prueba con variaciones de la tarea y lo integra al harness si un juez del mismo modelo lo puntúa más alto, con la salida base y la optimizada lado a lado. Las ejecuciones son en vivo y se transmiten por SSE; en CPU cada iteración tarda 1–2 minutos (Gemma es más lento), las puntuaciones son estimaciones subjetivas y el demo no ejecuta el optimizador original de Google. También hay un ejemplo en caché.

AstroReactPythonFastAPISSE