AI Engineer | Full-Stack Developer — Construyo sistemas de IA que funcionan en producción, no demos.
| Área | Tecnologías Clave | Experiencia |
|---|---|---|
| RAG & Hybrid Search | BM25, Sentence-Transformers, RRF, Cross-Encoder, pgvector, Evaluation (RAGAS-style) | 2+ años |
| AI Agents | LangGraph, LangChain, ReAct pattern, Multi-agent orchestration, Tool calling | 1.5+ años |
| LLM Engineering | OpenAI, Anthropic, Local models, Prompt engineering, Fine-tuning awareness | 2+ años |
| Backend | Python, FastAPI, Node.js, PostgreSQL, Redis, Celery, SQLite | 3+ años |
| Frontend | React, Next.js, TypeScript, Tailwind CSS | 2+ años |
| DevOps/MLOps | Docker, GitHub Actions, CI/CD, Cloudflare Workers, n8n | 2+ años |
| Voice AI | Whisper, pyttsx3, TTS/STT local pipelines | 1+ año |
| Security | Network scanning, JWT auditing, HTTP security headers, stdlib-only tools | 1+ año |
1. hybrid-rag-evals ⭐ Proyecto estrella para AI Engineer
Pipeline RAG híbrido production-ready con framework de evaluación reproducible
Qué hace: Implementa retrieval híbrido (BM25 + embeddings densos + fusión RRF + reranking cross-encoder) desde cero con numpy puro + suite de evaluación que mide recall@k, MRR, NDCG@k, faithfulness.
Resultados medibles en corpus de 21 docs / 14 queries:
| Sistema | Recall@5 | MRR | NDCG@5 |
|---|---|---|---|
| BM25 (baseline) | 0.643 | 0.607 | 0.617 |
| Híbrido (BM25 + dense + RRF) | 0.821 | 0.677 | 0.702 |
| Híbrido + rerank (cross-encoder) | 0.964 | 0.812 | 0.845 |
Stack: Python, FastAPI, all-MiniLM-L6-v2 (384d), ms-marco-MiniLM-L-6-v2 (rerank), pytest (23 tests, 93% coverage)
Por qué importa: Sin dependencias de frameworks RAG — entiendo cada pieza y fallo. Evaluación automática detecta regresiones antes de deploy.
2. medusa ⭐ Sistema completo en uso diario
Segundo cerebro autónomo: RAG local + 6 agentes multi-modelo + voz bidireccional + n8n
Qué hace: Mi herramienta diaria real. Procesa 234+ documentos, indexa en SQLite con embeddings 100% locales (all-MiniLM-L6-v2), expone 17 herramientas MCP, orquesta flujos con n8n.
Arquitectura:
- Ingesta:
RAW/→WIKI/(wikilinks[[...]]) → Chunking → Embeddings → SQLite - Retrieval: Búsqueda semántica local CPU, sin API externa
- Agentes: 6 agentes con providers distintos (evita rate limits / single point of failure)
- Voz: Whisper (STT) + pyttsx3 (TTS) — 100% local, sin nube
- MCP: 17 herramientas expuestas al agente principal
Stack: Python 3.12, SQLite, sentence-transformers, Whisper, pyttsx3, n8n, opencode, MCP
Nota: Código compartible en repo; claves, base de conocimiento real y orquestación n8n completa en .gitignore.
3. security-toolkit ⭐ Backend/Seguridad sólido
Herramientas de auditoría red/web — solo stdlib Python, 16/16 tests pasando
Qué hace: CLI sec-tool con 5 herramientas para labs autorizados (THM, HTB):
| Herramienta | Función |
|---|---|
portscan |
TCP connect scan + service detection + banner grabbing |
subenum |
Enumeración subdominios DNS + wordlist |
httpaudit |
Auditoría cabeceras seguridad HTTP (HSTS, CSP, X-Frame, etc.) |
jwtdump |
Decodificación + inspección JWT (incluye detección alg:none / CVE-2015-9235) |
dirbust |
Fuerza bruta directorios con wordlist + códigos HTTP |
Por qué stdlib solo: Legible en una tarde, corre en cualquier máquina de lab sin pip install, cada pieza testeada.
Tests: pytest -q → 16/16 passing (port ranges, common ports, HTTP headers, JWT parsing + weak sig detection)
Write-ups: Plantilla en writeups/ con dead-ends documentados (lo que más preguntan en entrevistas).
Plan 90 días validado: THM + HTB + KC7/Kusto + Certificaciones → Prueba de trabajo verificable
Qué hace: Roadmap estructurado para convertir práctica en portafolio técnico:
- Fase 1 (Días 1-30): Security+ (Messer + objetivos CompTIA) + 3 write-ups + perfil THM
- Fase 2 (Días 31-60): KC7 Cyber (threat hunting KQL) + HTB medium + MITRE ATT&CK mapping
- Fase 3 (Días 61-90): eJPT/OSCP + 5 write-ups consolidados + CV con métricas
Diferenciador: KC7 Cyber + detective.kusto.io = mentalidad threat hunting rara en CVs.
Landing estática + páginas legales para publicación automatizada de contenido
Qué hace: HTML estático (index, privacy, terms) + verificación TikTok. Parte de la automatización de contenido con n8n.
6. MaikolProx
Configuración del perfil de GitHub (este README)
| Repo | Tests | Coverage | CI/CD | Type Hints | Docs |
|---|---|---|---|---|---|
| hybrid-rag-evals | 23 passing | 93.27% | ✅ GitHub Actions | ✅ | ✅ Completo |
| medusa | — | — | — | Parcial | ✅ Completo |
| security-toolkit | 16 passing | 100% core | ✅ GitHub Actions | ✅ | ✅ Completo |
| tryhackme-roadmap | N/A | N/A | — | N/A | ✅ Completo |
- Email: paz243482@gmail.com
- LinkedIn: miguel-hernandez-04129542a
- GitHub: github.com/MaikolProx
ai-engineer rag langgraph fastapi python hybrid-search bm25 sentence-transformers cross-encoder evaluation multi-agent voice-ai security stdlib-only
Construyendo sistemas que funcionan. Midiendo todo. Compartiendo lo que aprendo.