VecinUs

Desplegar y mantener el trabajo de 15 personas

Mi principal responsabilidad fue DevOps: preparar y mantener los despliegues del frontend y el backend, y automatizar las comprobaciones que compartía el equipo. Desarrollé buena parte de los workflows y hooks de integración continua.

Configuré los blueprints de Render para los distintos sprints y entregas. El flujo de despliegue resuelve el entorno a partir de la rama release, ejecuta lint y pruebas reutilizables y, si pasan, lanza ambos despliegues mediante hooks protegidos en GitHub Environments.

• CI/CD: integración de lint y Pytest, reutilización de workflows y eliminación de comprobaciones redundantes.
• Hooks locales: formato y lint de Python, ESLint, comprobación de tipos TypeScript y convenciones de commits.
• Supabase: tarea programada para mantener activos los proyectos de cada entorno, con configuración y esquemas separados.

Comprobar la calidad del asistente de IA

Junto a un compañero, desarrollé un sistema de pruebas de regresión con IA basado en la metodología LLM-as-a-judge que usa un golden set de preguntas para evaluar al asistente RAG. Este workflow ejecuta diariamente, o bajo demanda, una batería de preguntas con contexto y respuestas esperadas para detectar cambios en la calidad del asistente que consulta documentos de la comunidad.

La prueba simula la recuperación de documentos y los embeddings, pero llama al modelo Gemini real. Un segundo modelo evalúa las respuestas de 1 a 5: si la media baja de 4, la comprobación falla. El informe JSON queda guardado como artefacto de GitHub Actions para revisar cada respuesta.

Es una señal de regresión, no una garantía de que todas las respuestas sean correctas. Además trabajé en pruebas aisladas de las funciones de IA, con llamadas externas simuladas para no depender de credenciales.