Stack tecnológico
Herramientas agrupadas por rol arquitectónico. Cada fila indica dónde las usé con clientes y dónde sigo estudiándolas.
IA en producción, agentes y MLOps aplicado
Los flujos de agentes necesitan permisos explícitos, observabilidad y evaluación. El estado está en los Laboratorios de investigación y las condiciones de adopción en el Radar tecnológico.
| Rol | Herramientas | Dónde aparece |
|---|---|---|
| Frameworks agénticos y runtimes | LangGraph, Pydantic AI, Google ADK (modelo de flujos 2.0), OpenAI Agents SDK, Claude Agent SDK, LlamaIndex, FastAPI | Con clientes: evaluación de créditos multiagente con LangGraph en GCP (2026). Investigación: supervisión con estado en Flujos agénticos durables |
| Protocolos de agentes y acceso a modelos | Model Context Protocol (MCP, especificación 2026-07-28), A2A v1.0, Vertex AI Agent Engine, Amazon Bedrock AgentCore, Gemini, Anthropic Claude, Hugging Face, LiteLLM | Con clientes: agentes Gemini en Cloud Run (2024–2025) y despliegues de ML desde Vertex AI Workbench (2025). Investigación: herramientas remotas, delegación entre runtimes y enrutamiento consciente de costos en Flujos agénticos durables y Servicio de inferencia |
| Serving y enrutamiento de inferencia | SGLang, vLLM, TensorRT-LLM, NVIDIA Dynamo (prefill/decode desagregado sobre NIXL), LMCache, llama.cpp, Ollama | Con clientes: LLMs locales detrás de un agente que diagnostica pipelines (2026). Investigación: serving local-first, decodificación especulativa EAGLE-3 y caché KV por niveles en Servicio de inferencia |
| Modelos open-weight y salvaguardas | gpt-oss, Qwen, Gemma, DeepSeek, Llama, Hermes; Llama Guard, gpt-oss-safeguard, Qwen3Guard | Con clientes: Hermes-3 en ese agente de diagnóstico (2026). Investigación: enrutamiento de tareas utilitarias en Servicio de inferencia; clasificación de seguridad guiada por políticas en Flujos agénticos durables |
| Almacenamiento vectorial, de grafos y memoria | Qdrant, pgvector, LanceDB (Lance), Milvus, LadybugDB, Graphiti, Mem0 | Investigación: caché semántica, recuperación híbrida Graph RAG y memoria de agentes en Servicio de inferencia, Interoperabilidad de tablas abiertas y Recuperación y memoria |
| Evaluación y benchmarking | DeepEval, Promptfoo, Braintrust, Arize Phoenix, LangSmith, RAGAS; τ²-bench, Terminal-Bench y SWE-bench Verified como referencias externas | Investigación: pruebas de regresión y pipelines multi-juez en Arnés de evaluación de IA. Público: Estadística de evaluación dimensiona las comparaciones |
| Observabilidad LLM y FinOps | OpenTelemetry (convenciones semánticas GenAI), Langfuse, Helicone, Arize Phoenix | Con clientes: telemetría del costo de tokens de los agentes de evaluación de créditos (2026). Investigación: telemetría de tokens, latencia y costos en Servicio de inferencia |
Ingeniería de datos y lakehouses
Local-first para desarrollo: prototipar sobre motores embebidos y comprobar semántica SQL, soporte de catálogo y contratos de datos en cada motor cloud. Los criterios están en el Radar tecnológico.
| Rol | Herramientas | Dónde aparece |
|---|---|---|
| Motores de procesamiento | Polars, DuckDB, Apache Arrow, Apache DataFusion, Apache Spark (PySpark), Databricks, Pandas | Con clientes: PySpark sobre Cloudera y Scala en Dataproc (2019–2021); despliegues de ML sobre Spark y Databricks (2025). Investigación: ejecución vectorizada en Interoperabilidad de tablas abiertas; veredicto local-first en Radar tecnológico |
| Analítica de baja latencia | ClickHouse 26.8 LTS | Investigación: candidato para consultas de eventos en Frescura del streaming; validar ingesta, duplicados y costo antes de adoptarlo |
| Streaming y CDC | Apache Kafka 4.3 (KRaft) / Redpanda, Apache Flink 2, Apache Fluss, Debezium 3, Google Pub/Sub, Dataflow | Con clientes: ingesta en streaming con Pub/Sub y Dataflow (2022–2023, 2024–2025). Investigación: ingesta en streaming en Interoperabilidad de tablas abiertas |
| Orquestación | Dagster, Apache Airflow 3.3; Cloud Composer / MWAA (soporte por versión), Prefect 3 | Con clientes: pipelines en Airflow y Cloud Composer (2019–2021, 2022–2023). Investigación: la comparativa de orquestadores |
| Almacenamiento, formatos de tabla y catálogos | Apache Iceberg v3, DuckLake, Delta Lake, Lance, Apache Parquet, Apache Polaris, Unity Catalog, Lakekeeper, Cloud Storage, Amazon S3 | Con clientes: capas Silver/Gold en BigQuery y respaldos automáticos en Parquet (2023–2024); ELT de S3 a BigQuery (2022–2023). Investigación: integración de formatos de tabla abiertos en Interoperabilidad de tablas abiertas |
| Transformación y modelado | dbt Core 1.12, dbt v2.0 (en evaluación), SQLMesh, SQL, modelado dimensional Kimball, Data Vault 2.0, contratos de datos (ODCS) | Con clientes: más de 1.100 modelos dbt (2023–2024); modelos de dominio en Data Vault 2.0 (2019–2021). Investigación: pruebas reproducibles de diagnóstico y parches dbt en Reparación de código guiada por logs |
Infraestructura cloud y de plataformas
Infraestructura descrita como código, con controles de políticas antes de cambiarla. La portabilidad exige diseño y validación específicos por proveedor.
| Rol | Herramientas | Dónde aparece |
|---|---|---|
| Nube pública y privada | Google Cloud Platform (GCP), Amazon Web Services (AWS); OpenShift / OpenStack como referencias privadas | Con clientes: GCP en cada rol desde 2019 y un lakehouse en AWS (Sobre mí). Referencias: Blueprints de Producción |
| Infraestructura como Código | Terraform / OpenTofu (zonas de aterrizaje modulares), Terragrunt, Crossplane, OPA Rego, Conftest, Kyverno | Con clientes: zonas de aterrizaje de varios proyectos en GCP con Terraform (2024–2025). Investigación: spike de política como código en Radar tecnológico; fundaciones en Blueprints de Producción |
| Contenedores y orquestación | Docker, Kubernetes (GKE / EKS; DRA, Gateway API Inference Extension), Google Cloud Run (GPU), Amazon ECS / Fargate | Con clientes: una plataforma de datos sobre Kubernetes en GKE (2023–2024); agentes en Cloud Run (2024–2025). Investigación: runtimes contenerizados en los Laboratorios de investigación |
| GitOps y gestión de secretos | ArgoCD, HashiCorp Vault / OpenBao | Investigación: reconciliación GitOps y credenciales de confianza cero en Plataformas reproducibles |
| Observabilidad de plataforma | Prometheus, Grafana, Mimir, Loki, Tempo, Pyroscope, Grafana Alloy | Investigación: telemetría SRE centralizada en Costo por tarea exitosa |
| CI/CD y toolchain local | GitHub Actions, just, uv, pre-commit | Con clientes: pipelines de CI/CD de confianza cero (2025). Público: el toolchain con el que corre este sitio |
Lenguajes, bases de datos y estándares
| Rol | Herramientas | Dónde aparece |
|---|---|---|
| Lenguajes de programación | Python (free-threading cuando las mediciones lo justifican), SQL, Rust, Scala, Bash | Con clientes: Python y SQL en cada rol; Scala en Dataproc y Hadoop (2019–2021). Investigación: experimentos de router Rust/Python en Servicio de inferencia |
| Bases de datos | PostgreSQL, AlloyDB, DuckDB, ClickHouse, MySQL, Redis, BigQuery, Snowflake, Redshift | Con clientes: BigQuery en cada rol en GCP; estado de sesión en Redis (2024–2025). Investigación: compatibilidad de destinos en Radar tecnológico |
| Estándares de ingeniería | Contratos de datos (ODCS), evolución de esquemas, idempotencia, convenciones semánticas de OpenTelemetry, pre-commit quality gates, Conventional Commits, SemVer | Aplicados en cada proyecto, incluido este repositorio |
| UX/UI de herramientas | Zensical, HTML semántico, CSS con tokens, JavaScript nativo, Playwright, axe-core | Este sitio como caso de diseño progresivo y accesibilidad; premisas UX/UI |