Adrián VázquezSistemas de IA fiables,de la arquitecturaa producción.

> Ingeniero de IA_

Único ingeniero de IA en CSR Online: me responsabilizo de tres sistemas en producción de principio a fin.

Construyo sistemas RAG, agentes y servidores MCP que responden con los datos de la empresa y aguantan en producción: salidas validadas, evaluaciones y trazabilidad. Con modelos en la nube, o autoalojados si los datos no pueden salir de casa.

  • Barcelona, España
  • Español · Catalán · Inglés
VAZQUEZDEV.PRO
ONLINE
Adrián Vázquez - Ingeniero de IA.

//TRAYECTORIA_

De fundamentos full-stack a sistemas de IA en producción.

Full Stack Eng.2023
Backend & Data2024
AI EngineerNOW
Mar 2026↓PRESENT
CURRENT FOCUS

Ingeniero de IA

CSR Online·Mar 2026 - Actualidad
  • Único ingeniero del departamento de IA: responsabilidad end-to-end de los 3 sistemas de IA ya en producción, dependiendo directamente del cofundador y CTO.
  • Diseño e implementación de sistemas multi-agente y arquitecturas RAG empresariales autoalojadas.
  • Responsabilidad total del ciclo de vida: infraestructura, base de datos vectorial, backend y despliegue a producción.
Oct 2025↓PRESENT
ACTIVE

Ingeniero de IA independiente

VazquezDev·Oct 2025 - Actualidad

VazquezDev no es un trabajo, es mi marca personal y laboratorio de IA. El lugar donde construyo y despliego sistemas reales.

Tras consolidar mi base full-stack, di el salto a la ingeniería de IA. Diseño y despliego sistemas RAG, flujos multi-agente y servidores MCP con responsabilidad end-to-end, de la arquitectura al despliegue en producción. De aquí salen ReportAI y Qdrant-MCP.

El puente entre el ingeniero full-stack que era y el ingeniero de IA que soy. En marcha, en paralelo a mi puesto a tiempo completo en CSR Online.

Sep 2023↓Sep 2025
COMPLETED

Ingeniero Full Stack independiente

VazquezDev·Sep 2023 - Sep 2025

La etapa en la que pasé de escribir código a ingeniar productos digitales completos.

Diseño y entrega end-to-end de 6 SaaS de gestión de negocio para familiares, amigos y conocidos con negocio propio: de la arquitectura y la base de datos al frontend, el despliegue y producción.

La base que me permite hoy construir sistemas de IA de principio a fin.

Sep 2024↓Jul 2025
COMPLETED

Ingeniero de backend e infraestructura de datos (prácticas)

Senyum SL·Sep 2024 - Jul 2025
  • Bases de datos (SQL Server): administración; T-SQL avanzado (consultas, vistas, índices, procedimientos almacenados); optimización de rendimiento.
  • C#/.NET (a3ERP): automatizaciones de datos e integraciones.
  • Power BI: modelado de datos y generación de cuadros de mando.
  • Sistemas Distribuidos: Mantenimiento de infraestructura backend para alta disponibilidad.

//PROYECTOS DESTACADOS_

Dos sistemas que construí y desplegué, cada uno con demo en vivo o código abierto. Despliega un paso para ver el problema, las decisiones y los resultados.

[AGT-01]
En vivo · Desplegado
Proyecto personal·Agente LangGraph · Voz a Texto · Multi-Cliente
01

ReportAI

Un agente que convierte una nota de voz en el informe corporativo ya formateado en la plantilla Word de cada cliente — acta de reunión, parte de visita — y lo entrega por el canal de chat que ya usan, sin apps nuevas que instalar.

01SITUACIÓNEl Problema

El problema:

La mayoría de agentes de notas de reunión parten de que la reunión es una videollamada programada con un bot dentro. Eso deja fuera el caso más habitual: una visita presencial o una llamada de teléfono, resueltas después desde el móvil, sin portátil ni enlace de reunión. Y casi ninguno deja subir la plantilla Word de la empresa — devuelven su propio resumen genérico en vez del informe real que la empresa ya usa.

  • Los agentes de notas de reunión actuales necesitan un bot dentro de la videollamada — inútiles para visitas o llamadas de teléfono
  • Ninguna herramienta rellena la plantilla Word propia de cada empresa; todas devuelven su formato genérico
  • Documentar una visita seguía exigiendo transcribir a mano y dar formato al informe después
02OBJETIVOLa Meta

Objetivo:

Un agente que corra sobre el chat que cada equipo ya tiene abierto, sin integraciones ni apps nuevas, y fiel al documento real de cada cliente, no a un resumen genérico:

  • Cada cliente define su propia plantilla y sus propios tipos de documento desde un panel de administración — sin tocar código
  • Extracción con validación de esquema, no solo texto generado: una fecha mal puesta o un acuerdo perdido en un informe formal es un fallo real
  • Revisión humana obligatoria antes de enviar, con aprobación o corrección respondiendo al propio mensaje
03SOLUCIÓNLa Tecnología

Stack y destacados:

  • Backend: FastAPI (Python)
  • Orquestación del agente: LangGraph
  • Extracción: Claude — structured output / tool-calling con validación de esquema
  • Voz: Groq Whisper
  • Base de datos: PostgreSQL autoalojado
  • Documentos: docxtpl + Gotenberg autoalojado — plantilla Word → documento final
  • Panel de administración: Vue/Nuxt · Vuetify · Tailwind
  • Infra: Docker Compose · Traefik
  • Cadena completa: transcribir → extraer con validación de esquema → rellenar la plantilla propia → entregar por el mismo canal
04RESULTADOSEl Impacto

Resultado:

Un comercial sale de una visita y graba una nota de voz de 90 segundos desde el coche. Minutos después, el informe está en el buzón correcto — en la plantilla exacta de la empresa, no un resumen genérico de IA:

  • Tiempo ahorrado en cada informe: nota de voz dentro, informe terminado fuera en minutos, sin transcribir ni maquetar a mano — en producción, procesando entre 10 y 15 informes al mes
  • Fidelidad al documento real: la extracción se valida contra el esquema de cada plantilla antes de generarlo — una fecha mal puesta o un acuerdo perdido no pasa
  • Arquitectura multi-cliente real: dar de alta un cliente nuevo es configurar plantilla, tipos de documento y canal desde el panel — sin tocar código
  • Suite de evaluación propia protegiendo la calidad de la extracción en cada cambio
  • Demo pública y en vivo en reportai.vazquezlabs.com
[MCP-01]
Publicado · PyPI y Docker
Código abierto·Servidor MCP · Búsqueda Vectorial · Qdrant
02

Qdrant-MCP

Un servidor Model Context Protocol que expone la API completa de Qdrant como herramientas, permitiendo a cualquier cliente LLM compatible con MCP gestionar colecciones, ejecutar todos los modos de búsqueda y operar despliegues de Qdrant en producción — no solo guardar y buscar.

01SITUACIÓNEl Problema

El problema:

Los servidores MCP existentes para Qdrant solo exponen herramientas básicas de guardar y buscar. Un cliente LLM que necesita operar de verdad una base de datos vectorial en producción — crear colecciones, ejecutar hybrid search, hacer snapshots, vigilar telemetría — no tenía una forma estandarizada de hacerlo.

  • Las herramientas básicas de guardar/buscar no cubren el ciclo de vida de colecciones, payloads ni snapshots
  • No existía una interfaz MCP estándar que cubriera toda la API de Qdrant
  • Los equipos acababan escribiendo scripts sueltos para tareas de administración en lugar de dejar operar al LLM
02OBJETIVOLa Meta

Objetivo:

Construir un servidor MCP que dé a los clientes LLM acceso completo y seguro a la API de Qdrant, sin incluir generación de embeddings, para que siga siendo compatible con cualquier pipeline de embeddings:

  • Ciclo de vida completo de colecciones y puntos: crear, actualizar, borrar, hacer snapshot
  • Todos los modos de búsqueda: hybrid (fusión RRF/DBSF), agrupada, recommend, discover
  • Seguro por defecto para uso en producción — sin pérdida accidental de datos
03SOLUCIÓNLa Tecnología

Stack y destacados:

  • Core: Python 3.12+ · SDK qdrant-client · Pydantic · tenacity
  • Transporte: stdio (local) o streamable-http (red)
  • Distribución: Paquete PyPI · imagen Docker · bundle para Claude Desktop · MCP Registry oficial
  • Calidad: 554 tests (pytest, incluida integración contra un Qdrant real) · ruff · mypy · hooks de pre-commit
  • 56 herramientas en 6 toolsets opcionales: colecciones, búsqueda, payloads, administración (aliases, copia en servidor), snapshots y observabilidad
  • Modo read-only que retira del registro toda herramienta que escribe, y rechazo de filtros vacíos que borrarían una colección entera
  • Schemas de herramientas compactos (~44 KB en vez de ~150 KB) y un límite de resultados por llamada, para no saturar el contexto del modelo
04RESULTADOSEl Impacto

Resultado:

Publicado en PyPI y Docker, con una web técnica bilingüe donde cada cifra sale del repositorio: un explorador de las 56 herramientas y escenarios reproducibles grabados contra un Qdrant real — instálalo y empieza a gestionar Qdrant desde cualquier cliente MCP en minutos:

  • Documentación interactiva en mcp-qdrant.vazquezlabs.com, con un generador de .mcp.json para instalarlo
  • Se distribuye vía PyPI, Docker o un bundle para Claude Desktop
  • Open source con licencia MIT en GitHub
STACK INITIALIZED

//STACK TECNOLÓGICO_

El stack que uso para desplegar sistemas de IA en producción. Sin hype, sin relleno.

LAY-0108 TOOLS
El Motor

Infraestructura & Backend

Donde vive la lógica de negocio, la persistencia de datos y el despliegue.

FastAPIAPIs Python de alta velocidad para sistemas de IA y herramientas internas
Node.jsRuntime de JavaScript para APIs y servicios backend
DockerDespliegue contenerizado para estabilidad y reproducibilidad
PostgreSQLBases de datos relacionales para cargas de producción
RedisCaché semántico y gestión de colas
TraefikEdge router y reverse proxy para microservicios
PrometheusMétricas y observabilidad para despliegues en producción
VPS (Servidores)Operación Linux, redes, SSL, despliegues y monitorización
LAY-0207 TOOLS
El Cerebro

IA & Orquestación

La capa de razonamiento y flujos detrás de RAG, agentes y automatizaciones.

PythonEl lenguaje nativo de la infraestructura de IA
LangGraph / LangChainArquitectura de grafos para agentes con memoria y lógica condicional
ChromaDB / Qdrant / pgvectorMemoria vectorial autoalojada para RAG y recuperación semántica
MCP ProtocolEl estándar abierto para exponer herramientas a cualquier cliente LLM compatible
LLMs — Claude · OpenAI · GeminiSelección estratégica según latencia, coste y nivel de privacidad requerido
PydanticValidación de esquema para salidas estructuradas y tool-calling de LLMs
LangfuseTrazabilidad y evaluación para agentes LLM
Cómo construyo: Recuperación → Razonamiento LLM → Validación y evaluación → Aprobación humana
LAY-0304 TOOLS
La Interfaz

Interfaz Humano-Agente

Interfaces modernas para que los humanos supervisen y controlen la IA.

JavaScript / TypeScriptDesarrollo frontend tipado y seguro
Vue 3 / VuetifyUI empresarial con optimización SSR y arquitectura pensada para SEO
NuxtSSR, routing y aplicaciones Vue listas para producción
Tailwind CSSDiseño de interfaces limpias y responsive
> DATA_FLOW:[ INFRASTRUCTURE ]→[ AI CORE ]←[ INTERFACE ]_
PROFILE

//Sobre mí_

VazquezDev OS v2.4.0-pro
En línea
REGISTRO_BOOT
[ OK ]Inicializando VazquezDev OS v2.4.0-pro...
[ OK ]Cargando AI_Engineer_Kernel...
[ OK ]Estableciendo puente seguro con Barcelona-HQ...
[ OK ]Montando /mnt/knowledge/private_rag...
[ OK ]Estado del sistema: OPTIMO
01020304050607080910111213141516171819202122232425262728293031323334
adri@vazquezdev:~$whoami
Adrián Vázquez//Ingeniero de IA//Ciudadano UE — sin necesidad de patrocinio de visado
adri@vazquezdev:~$cat mission.md
Soy Adrián Vázquez, ingeniero de IA en Barcelona. Desarrollo pipelines RAG, agentes autónomos y servidores MCP y los llevo hasta producción. Ahora mismo soy el único ingeniero de IA en CSR Online y busco un equipo de ingeniería donde seguir construyendo este tipo de sistemas junto a gente muy buena.
adri@vazquezdev:~$./how-i-work.sh
EVALS[OK] Fiable por diseño — salidas del LLM validadas con esquemas y una suite de evaluación que protege la calidad en cada cambio
TRACE[OK] Observable — trazabilidad de LLMs con Langfuse y métricas Prometheus en los servicios desplegados
SAFE[OK] Seguro por defecto — aprobación humana antes de cualquier acción irreversible, modos de solo lectura y validación estricta de entradas
E2E[OK] End-to-end — base vectorial, backend, orquestación e interfaz, con metodologías ágiles y CI/CD
adri@vazquezdev:~$cat looking-for.md
Puestos de AI Engineer (IA aplicada / ingeniería de LLMs): construir RAG, agentes e integraciones MCP que llegan a producción. A tiempo completo; resido en Barcelona y estoy abierto a trabajar en remoto o a reubicarme, en un equipo que cuide las evaluaciones y la fiabilidad.
#Para profundizar de forma interactiva en mi historial de proyectos y stack, pregunta a Cortex AI. brain.vazquezdev.pro
adri@vazquezdev:~$█