Construiré una aplicación agentic rag usando langchain y langgraph

️ EXPERIENCIA TÉCNICA CENTRAL

- Orquestación de IA y agentes: LangGraph (StateGraphs, enrutamiento condicional, bucles cíclicos), LangChain v0.3+.

- Automatización de flujos de trabajo: n8n (integraciones Webhook, pipelines de datos ETL automatizados).

- Ingeniería de backend: FastAPI, Flask, diseño de API RESTful, SQLite, MongoDB.

- Procesamiento de datos: Python, Pandas, NumPy, Scikit-learn.

ESTUDIO DE CASO DE CALIDAD DE PRODUCCIÓN: AGENTIC CLASSROOM AI

Diseñé una plataforma de inteligencia educativa nativa en la nube, diseñada para ingerir archivos multimedia en bruto masivos y transformarlos de forma autónoma en recursos de aprendizaje estructurados.

- Superando límites estrictos de API: Implementé una canalización de compresión FFmpeg a nivel de sistema que reduce archivos de video enormes a archivos mono MP3 ultra compactos, evitando permanentemente los límites rígidos de 25MB en cargas útiles de API de voz a texto.

- Arquitectura descentralizada: Implementé una estrategia de base de datos cliente Bring-Your-Own-Key (BYOK) para manejar escalabilidad horizontal multiusuario infinita sin alcanzar límites centralizados de tokens.

- Bucles de investigación autónomos: Construí un motor avanzado de LangGraph StateGraph. Si el contexto de la base de datos vectorial localizada (FAISS) no es suficiente para resolver una consulta, el agente activa dinámicamente herramientas de web scraping.