La planta más alta entrega IA como infraestructura: núcleos deterministas, sets golden de Q/A y evals con gate en CI. Si un modelo no se puede medir, no se entrega.
2PROYECTOS EN ESTA PLANTA
≥40PARES Q/A GOLDEN
0.409RECALL@5 MEDIO
F32026
CodebaseRAG
RAG hexagonal sobre tu propio código, con un núcleo determinista y eval-first: ingest, query y evals de retrieval con gate en CI.
El problema. Las demos de RAG son fáciles; un RAG de confianza, no. Este fija la calidad del retrieval con un set golden de Q/A (≥40 pares) y hace fallar CI si el recall@5 medio cae por debajo de su baseline comprometida.
Puntos clave
Gate de baseline de eval en CI: recall@5 0.409 · MRR 0.231 · nDCG@5 0.277 (baseline comprometida, overrides con gate por ADR).
Ports & adapters: pgvector (por defecto) o Qdrant; embeddings y LLM de Ollama o Anthropic; observabilidad con Langfuse.
Simulador de entrevistas por voz: un LLM local hace de entrevistador y Whisper se encarga de la transcripción, para ensayar entrevistas técnicas completamente offline.
El problema. Ensayar con público da vergüenza. Este funciona completamente offline: preguntas por voz, respuestas habladas y transcripción sin ninguna dependencia de la nube — tus respuestas torpes nunca salen del edificio.
Puntos clave
Funciona completamente offline: preguntas por voz, respuestas habladas y transcripción sin ninguna dependencia de la nube.