Costa Rica / AI Agent Developer
>AI Agent Developer & Software Engineer
Construyo software de punta a punta: interfaces claras, APIs sólidas en Python y despliegues confiables en AWS. Hoy mi foco es llevar agentes de IA y sistemas RAG de la idea a producción — software que funciona en el mundo real, no demos.
¡Hola! Soy José Alfredo Hernández Argüello, desarrollador de software
costarricense. Empecé en soporte técnico — resolviendo problemas bajo presión,
aprendiendo a escuchar de verdad al usuario final — y desde ahí construí mi camino hacia el
diseño de agentes de inteligencia artificial.
Lo que más me interesa no es la tecnología en sí, sino sostener algo funcionando en el mundo
real: que un agente no se rompa a la primera excepción, que un sistema aguante la carga de un
mal día, que quien está del otro lado sienta que alguien pensó en él. Esa
obsesión por la producción — no por la demo — es lo que traigo de mis
años resolviendo problemas de otros.
Soy analítico, directo, y aplico pensamiento crítico para entender el
problema completo antes de escribir la primera línea de código. Si buscás a alguien que
combine criterio técnico, orientación al usuario y ganas genuinas de resolver algo real,
hablemos — el detalle de mi stack lo encontrás más abajo.
Stack con el que llevo una idea de la terminal a producción, con foco en agentes de IA y sistemas RAG: orquestación con LangChain / LangGraph sobre AWS Bedrock, APIs en Python y despliegue en cloud y Linux — sin descuidar el backend y el frontend de extremo a extremo.
Patrones que uso según el problema — pipelines deterministas, agentes con herramientas (loop y router), recuperación de contexto y salida estructurada — sobre las mismas piezas: system prompt, tools, servidores MCP y bases vectoriales. Los diagramas siguen la misma convención que usa LangGraph para graficar sus grafos: nodos START/END, edges sólidos para transiciones directas y edges punteados para condicionales.
Pasos fijos con orden y ramas conocidas de antemano. Ideal para flujos de negocio bien definidos donde la previsibilidad y el control de costo importan más que la flexibilidad.
Loop de pensar → llamar herramienta → observar resultado, hasta resolver la tarea. Útil cuando el camino no se conoce de antemano y el agente debe decidir sobre la marcha.
El agente elige, en cada turno, cuál herramienta usar entre varias disponibles según la intención del usuario. Común en agentes con múltiples integraciones expuestas vía MCP.
Antes de responder, se busca contexto relevante en una base vectorial y se inyecta en el prompt junto con el system prompt. Reduce alucinaciones cuando la información no cabe — o cambia demasiado rápido — para vivir en el prompt fijo.
El agente genera una respuesta, se valida contra un schema (Pydantic / JSON Schema) y reintenta si falla — el resultado siempre llega tipado y listo para que otro sistema lo consuma, no como texto libre.
Rol, límites, formato de salida y criterios de escalamiento — la instrucción base que define cómo razona el agente en cada turno, versionada como código.
Funciones tipadas (APIs, consultas, cálculos) que el modelo invoca con argumentos estructurados — el agente decide cuándo y con cuáles llamarlas.
Expongo herramientas y fuentes de datos vía Model Context Protocol para que cualquier agente las consuma de forma estándar, sin acoplarlas a un proveedor específico.
Embeddings indexados en Pinecone para recuperar contexto por similitud, más memoria de sesión para mantener continuidad entre turnos.
¿Tienes un proyecto o una vacante donde encaje? Escríbeme y te responderé a la brevedad posible.
— o agendá una demo —
