Dotze projectes en tres nivells: la tesi, els seus satèl·lits i un annex per a arrels, proves tècniques i exercicis de mida. Filtra pel stack que et vagi bé.
FILTRA PER STACK (44)
12 PROJECTES A LA VISTA
Tesi
F32026
CodebaseRAG
RAG hexagonal sobre el teu codi, amb un nucli determinista i eval-first: ingest, query i evals de retrieval amb gate a CI.
El resultat és un gate d’evals que bloqueja les regressions de retrieval abans del merge: la qualitat és una afirmació verificada a CI amb un sòl compromès, no una demo.
Telemetria d’adaptadors dirigida per esdeveniments: pipeline Kafka gateway + hub amb persistència idempotent a Oracle, salut per adaptador, alertes i dashboard de missió en viu via SSE.
El resultat és visibilitat operativa sobre ~90 adaptadors a 4 països: qui està DOWN, des de quan i exactament una alerta per episodi — sense tempestes de pager ni forats silenciosos.
Un harness multi-agent estandarditzat per a Claude Code i OpenCode: rols de Spec-Driven Development (Leader, Spec Author, Implementer, Reviewer) instal·lats a qualsevol projecte amb una sola comanda. El seu procés també es distribueix com a sis skills independents (npx skills add jordimarsal/harness).
La recompensa és treball d’agent repetible: specs, rols i gates instal·lats en una comanda, en qualsevol stack — aquest portfolio es construeix amb ells.
Simulador d’entrevistes per veu: un LLM local fa d’entrevistador i Whisper se n’encarrega de la transcripció, per assajar entrevistes tècniques completament offline.
Toolkit de rate-limiting per a gateways de LLM: quotes token-bucket atòmiques, stores connectables i modes de fallada honests — amb una demo de gateway en Javalin que exposa un endpoint estil OpenAI.
Un benchmark agèntic per a models GGUF locals: velocitat de prompt, tool-calling, generació de codi i treball agèntic multi-pas, mesurats sota un mateix harness i amb els rebuts en brut de cada crida — 100% local, sense núvol ni APIs.
0.85millor puntuació global — minicpm-v-4.7-35b-a3b q4_k_m, thinking off
Estudi de NLP sobre la Bíblia: web scraping, processament amb NLTK, modelatge de temes amb LDA i anàlisi de sentiment — les meves arrels en Data Science.