Jaime Aza

Un equipo de agentes financieros con los que hablas por chat — desde WhatsApp, Telegram, Gmail o web. Su promesa: «sabe cómo vives, invierte como eres». Cuatro agentes especializados se coordinan: (1) Gastos e ingresos registra y clasifica movimientos, genera resúmenes mensuales y detecta patrones históricos; (2) Inversiones prepara operaciones bursátiles en Wallbit pero nunca las ejecuta sin tu aprobación; (3) Analista de mercado contextualiza precios, evolución y fundamentos de activos según tu perfil; (4) Perfil de riesgo mide tu tolerancia real a partir del historial (no de cuestionarios) y bloquea operaciones incongruentes. Registras gastos como hablas — texto, audio o foto del recibo — y la sincronización con Gmail captura movimientos sin intervención manual; la búsqueda es en lenguaje natural, sin filtros ni categorías exactas, sobre embeddings en pgvector. El dinero vive en Wallbit (no en Tresqu): desde el mismo chat compras y vendes acciones, ETFs y bonos, transfieres y consultas en vivo, con soporte multimoneda (COP, USD, EUR y otras) y conversiones en tiempo real.

Mi propio estudio de video, imagen y audio con IA sobre las APIs de Higgsfield y ElevenLabs, pensado primero para agentes: una API REST, un servidor MCP para que Claude Code, Codex, Claude Desktop y ChatGPT generen por mí, y una interfaz web en español (con inglés opcional) para hacerlo a mano, todo sobre la misma biblioteca. Cubre 82 endpoints de Higgsfield (66 de video, 15 de imagen y 1 de referencias), cada uno con el JSON Schema extraído de la documentación oficial, así que los formularios de la UI se generan del esquema sin código por modelo y los agentes buscan por capacidad (texto a video, imagen a video, fotograma inicial y final, referencias, edición, extensión, transferencia de movimiento) y no por marca. El audio viene de ElevenLabs: cambio de voz en un tramo exacto de un video con efectos de terror, texto a voz, efectos de sonido, música y aislamiento de voz, más una sonoteca que clasifica cada sonido para reutilizarlo sin volver a pagar. La regla central es que nada se genera a ciegas: el costo se ve junto al botón y, por MCP, generar exige una cotización de un solo uso ligada a esa petición y a una clave de idempotencia, porque la API de Higgsfield no deduplica y un reintento ambiguo podía cobrar dos veces. Debajo hay trabajos asíncronos y persistentes: validación antes de gastar créditos, cola local según la concurrencia de la cuenta (Higgsfield responde 400 y no 429 al llegar al límite), webhooks que solo disparan una consulta autenticada porque no vienen firmados, y copia local de las salidas porque Higgsfield solo las guarda 7 días. Incluye presets con variables, lotes con cotización total, un recomendador de modelos en lenguaje natural y 12 casos de uso con tutorial. Cada iteración pasó por rondas de revisión de Codex antes de cerrarse, y hoy produce los reels de Frostbyte junto a Blender, HyperFrames y DaVinci Resolve.

Un lienzo infinito para todo lo que queda pendiente mientras trabajo con agentes de IA. Cuando Claude Code, Codex u otro agente resuelve una tarea, de ella van saliendo otras: un bug que se ve de paso, una idea para después, una verificación antes de publicar. Uno sigue con la tarea principal y, al terminar la sesión, esas tareas laterales quedaron enterradas en la conversación. Parkboard las recoge: cuando digo «dejémoslo para después», el agente las parquea con el CLI `park`, con contexto para retomarlas en frío y con el agente, el id de sesión y la carpeta de origen, así que volver a la conversación donde nacieron es un paso. En el lienzo, las tarjetas se agrupan por proyecto y se mueven arrastrándolas, con estado, prioridad, tipo, notas, enlaces, nota del vault de Obsidian y un número corto (#12) para pedirle a cualquier agente «trabaja en la 12». Tres vistas (Tareas, Ideas y Notas) para que las ideas no tapen el trabajo, y áreas personal y de trabajo. El CLI no tiene dependencias, devuelve JSON cuando se usa desde un pipe, ofrece `--dry-run` en las escrituras y `park schema` describe cada comando, flag y código de salida para que un agente lo use sin adivinar. Es privado por defecto: inicio de sesión con Clerk más una lista de correos permitidos, y las claves del CLI se guardan como hash SHA-256. Las escrituras van en cadena por tarjeta y por proyecto, con conflictos 409, para que el agente y yo podamos editar a la vez sin pisarnos.

Proxy interceptor para Claude Code que cierra la brecha de alineamiento organizacional: Claude Code está alineado con los valores de Anthropic, pero no con las políticas de cada empresa que lo despliega. Tranquera es la capa intermedia — una aduana silenciosa que aplica reglas no-code en runtime con una cascada Regex → Pattern → Haiku 4.5 judge de menos de 200ms de overhead y cuatro acciones explícitas (BLOCK · REDACT · WARN · LOG). El compliance officer (no técnico) define políticas en lenguaje natural desde un visual builder; el dev se onboardea con un solo comando (`npx tranquera setup`, device flow OAuth con Google y export automático del `ANTHROPIC_BASE_URL` al shell rc). La atribución por dev se resuelve bakeando el token en el path de la URL — Claude Code no permite headers custom. Un AI Suggestor con cron diario y Haiku 4.5 propone reglas nuevas a partir de los LOGs con humano-in-the-loop. Postgres + pgvector listo para pre-filtrar reglas por similitud semántica. Ganador del track AI Security y del premio general en Platanus Hack 26 Buenos Aires (sponsor principal: Anthropic).

Plataforma profesional de entrega de galerías para fotógrafos con IA multimodal de última generación. Analiza automáticamente cada foto con GPT-4o y Gemini 2.0 Flash: asigna un score 1-10, evalúa composición, pose y calidad de fondo, categoriza escenas (ceremonia, retratos, fiesta, exterior...) y genera highlights del proyecto. Incluye búsqueda semántica de fotos por texto natural ('novia bailando', 'decoración de mesa') con RAG multimodal usando Gemini Embedding 2 de Google — el primer modelo nativamente multimodal de Google que mapea texto e imagen al mismo espacio vectorial — almacenado en pgvector. La galería pública reordena las fotos según las favoritas del cliente y crea frases poéticas de portada con IA. Complementado por festora-vision-api: microservicio independiente con blur detection (Laplacian), scoring técnico BRISQUE/NIMA, análisis de emociones (DeepFace) y clustering semántico CLIP/DBSCAN.

Networking de eventos presenciales que por fin se ve: escaneas el QR personal de otra persona y quedas dentro del evento y conectado en el mismo gesto — sin botones de 'agregar', sin solicitudes, sin conectar desde el sofá. Cada arista del grafo representa un encuentro real (nace solo al abrir el QR de alguien, nunca en el render) y la app se distribuye persona a persona por membresía contagiosa: entrar a un evento siempre pasa por alguien que ya está dentro. La constelación completa del evento — visible para cualquier asistente, no 'mi red hasta 2º grado' — se dibuja en vivo con react-force-graph-2d sobre Canvas, sincronizada en tiempo real vía Supabase Realtime, con estrellas por asistente y cierre triádico cuando tres personas que ya se conocen forman un triángulo. Auth exclusivamente con Google OAuth, tags vivos de rol/interés/intención que crecen con el uso, y un onboarding de una sola pantalla pensado para usarse de pie, a una mano, en medio del ruido de un evento. Construido con Next.js 16 (App Router, React 19, React Compiler) y Supabase (Postgres + RLS, Auth, Realtime).

Sistema operativo completo de un bar y restaurante, con la IA en el núcleo del producto y no como accesorio: atiende, vende, escribe la carta y decide qué se puede pedir. Los pedidos entran por tres puertas que terminan en la misma comanda: el QR de cada mesa, la app del cliente y un agente de IA que atiende el WhatsApp del negocio a toda hora. Ese agente está construido con LangChain create_agent sobre LangGraph y GPT-4o-mini, con tools que lo conectan al negocio: consultar la carta y cada producto, buscar sin importar tildes ni errores de escritura, leer el historial y las preferencias del cliente, cotizar, verificar cobertura, crear, modificar y cancelar pedidos, y pedir refuerzo humano. Su memoria conversacional vive en PostgreSQL con PostgresSaver (un hilo por contacto y día) y el contexto de largo plazo (dirección, preferencias, compras anteriores) entra por tools. Entiende notas de voz con gpt-4o-mini-transcribe y fotos con visión multimodal, incluidos los comprobantes de pago, de los que extrae monto, fecha y número de referencia. Antes de crear un domicilio valida la dirección contra la zona de cobertura dibujada a mano sobre el mapa (ray casting en Django, Turf en el front) y, cuando la conversación se sale del libreto, escala a una persona y se pausa sin perder el hilo. El resto del producto también es IA: generador de fotos profesionales de producto con cuatro modelos intercambiables (GPT Image 1.5 y 2, Gemini 3 Pro y 3.1 Flash Image) sobre Cloudflare R2, descripciones de producto redactadas por IA, recomendador de la carta por estado de ánimo o por quiz, búsqueda por voz con Whisper y contenido diario que cambia solo. Debajo corre la operación real: cocina en vivo por WebSocket (Django Channels), mesas por piso con sus QR imprimibles, inventario con recetas y costo real por variante, gastos que separan la inversión del gasto corriente para que el margen no mienta, analítica, reservas, música por piso, juegos multijugador y dos negocios en la misma cuenta, sin comisiones por pedido. En producción todos los días en un local real de Cumbal (Nariño) y base del SaaS que se está empaquetando para otros negocios.

Carrera de tipeo multijugador en tiempo real inspirada en Monkeytype. Cualquiera crea una sala con un código de 5 caracteres, comparte el link y compite por el WPM más alto sobre el mismo texto, con modo espectador para entrar a salas en plena carrera. La arquitectura corre 100% en el edge sobre Cloudflare Durable Objects: un DO 'Room' por sala (estado autoritativo, WebSockets con Hibernation API, hostToken persistente) y un singleton 'RoomRegistry' que mantiene la lista global de salas activas vía RPC entre DOs. El reloj, el texto y el ranking se deciden server-side, así que es imposible hacer trampa cambiando el clock local. Incluye 5 temas, sonidos de teclas sintetizados con Web Audio API (sin samples) y modelo host/player/spectator con kick y reinicio de carrera.

App de escritorio para Windows que transcribe voz a texto en tiempo real y escribe el resultado directamente donde esté el cursor — sin copiar, sin pegar. Push-to-talk con F9: mantén presionado para hablar y suelta para que el texto final corregido aparezca en cualquier app (VS Code, Word, Notion, Chrome…). Soporta dos motores intercambiables: Deepgram Nova-3 (cloud, baja latencia, bilingüe simultáneo es+en con LANGUAGE=multi) o faster-whisper local (sin internet, sin API key, modelos tiny→large-v3). Incluye HUD flotante estilo Vercel con timer, preview en vivo, visualizador de voz y deduplicación por similitud. Vive como icono en la bandeja del sistema, con VAD vía silero-vad ONNX (sin PyTorch). Empaquetado con PyInstaller + Inno Setup como instalador .exe nativo.

App web que convierte una imagen 2D en una nube de puntos 3D navegable usando estimación de profundidad por IA. El backend (FastAPI + Docker en Railway) envuelve Depth-Anything-V2 (checkpoint ViT-S) y devuelve el mapa de profundidad como PNG en escala de grises. El frontend combina la imagen RGB y el depth map en utils/pointCloudUtils.ts: por cada píxel genera un punto 3D donde X,Y se mapean al espacio normalizado (NDC-like, con Y invertida y aspect ratio del alto/ancho) y Z = (depth/255) × depthScale, controlado por sliders de sample rate y depth exaggeration. El resultado son dos Float32Array (positions + colors) que se renderizan con React Three Fiber + drei como un THREE.Points con vertexColors. Permite cambiar entre tres backends de profundidad intercambiables: servidor FastAPI propio, HuggingFace Spaces o la API de OpenAI Images.

Motor de búsqueda semántica inmobiliaria con arquitectura RAG para más de 8,800 propiedades en México. El usuario consulta en lenguaje natural ('casa amplia con jardín en Mérida, 3 recámaras'), Gemini 3 Flash extrae los filtros estructurados (ciudad, tipo, habitaciones, precio), Qdrant pre-filtra y el vector search recupera las propiedades más relevantes semánticamente. Soporta RAG multimodal con Gemini Embedding 2 de Google: cada propiedad se representa con un único vector de 3072 dimensiones que fusiona la descripción de texto con hasta 6 imágenes en el mismo espacio vectorial — permitiendo buscar por texto o por imagen. También soporta embeddings intercambiables (OpenAI text-embedding-3 y gemini-embedding-001) con un playground React que incluye gráfica de similitud interactiva y agente conversacional con LangGraph (ReAct). Desplegado en Railway + Vercel + Qdrant Cloud.