Agente de digesto operativo de IA
Un agente que vigila fuentes operativas, elimina duplicados, resume los cambios con evidencia y entrega un brief diario.
- Rol
- Ingeniero de automatización con IA (demo)
- Cronograma
- Prototipo de 4 semanas (demo)
- Stack
- TypeScript · LLM / Ollama · Timers systemd de Linux · Postgres · Drizzle · RSS + HTTP
Estudio de caso demo — cifras ilustrativas; cliente omitido.
Qué estaba roto
Un equipo de operaciones revisaba feeds de releases, páginas de estado, repositorios y avisos internos a mano. Los cambios importantes se mezclaban con repeticiones y actualizaciones de bajo valor, mientras que copiar todo a un chatbot de propósito general perdía el historial de fuentes y las garantías de entrega.
Cómo se resolvió
Construí watchers específicos por fuente con cursors durables en Postgres, normalicé y deduplicé cada evento, y luego pasé solo la evidencia nueva a un LLM para un resumen estructurado de impacto. Un timer systemd ejecuta el pipeline, registra cada etapa, reintenta las fuentes fallidas de forma independiente y entrega un digesto diario con enlaces a la evidencia original.
Restricciones
- Conservar el enlace a la fuente y la marca de tiempo de recolección para cada elemento resumido.
- Entregar a horario incluso cuando una fuente upstream no esté disponible.
- Correr en un host Linux modesto con un proveedor LLM reemplazable.
Herramientas del sistema
- TypeScript
- LLM / Ollama
- Timers systemd de Linux
- Postgres
- Drizzle
- RSS + HTTP
Qué cambió
Reemplazó las revisiones dispersas de fuentes por un artefacto diario revisable, conservando la procedencia y aislando los fallos de recolección de la entrega. (Cifras ilustrativas — estudio de caso demo.)
Lo que se queda
- 01El agente necesita estado durable antes que mejores prompts; los cursors y la idempotencia evitan briefs duplicados.
- 02Los resúmenes se mantienen confiables cuando cada elemento lleva evidencia y el modelo tiene prohibido rellenar contexto faltante.
- 03Las fallas de una fuente deben degradar una sección del digesto, no bloquear toda la entrega programada.
Estudios de caso relacionados
Todo el trabajo- IA y Agentes · 2026Plataforma de inferencia GPU autoalojada — MoE de 36B, voz IA y un farm de 70 GPUsUn stack de IA completamente autoalojado: un modelo MoE de 36B servido de forma concurrente con embeddings, ASR y TTS en una sola GPU de 24 GB — escalado después a un farm de 70 GPUs en 10 nodos que un estado de reloj VBIOS defectuoso casi tumba.
- IA y Agentes · 2026Analizador OCR de documentos — captura de boletas de básculaUn sistema con visión-LLM que lee ~50 boletas de báscula al día enviadas por WhatsApp y sustituye la captura manual por extracción validada y exportación en un clic.