Saltar al contenido
Volver al portfolio

Método de trabajo con IA

IA aplicada a redes, sistemas y automatización

Uso IA generativa, agentes de código y modelos locales como copilotos técnicos para acelerar diagnóstico, documentación, automatización y revisión de cambios en entornos de infraestructura. Trabajo con contexto acotado, datos protegidos, validación local, Git diff y revisión humana antes de aplicar cambios.

  1. Contexto

    Repo, objetivo, restricciones, datos sensibles y límites de lo que no debe salir.

  2. Plan

    Hipótesis, alcance, archivos afectados, criterio de validación y rollback.

  3. Ejecución

    Agente o modelo correcto según riesgo: nube, local, CLI o revisión manual.

  4. Cierre

    Diff revisado, pruebas, documentación, commit trazable y aprendizaje reutilizable.

Impacto operativo

  • Diagnóstico inicial más rápido en incidentes repetitivos mediante análisis asistido de logs, métricas y runbooks.
  • Documentación operativa más consistente para procedimientos de infraestructura.
  • Menos riesgo en cambios productivos al exigir diff, validación local y revisión humana.
  • Mejor clasificación de señales antes de alertar o bloquear, reduciendo falsos positivos.

Diagnóstico de infraestructura

Análisis asistido de logs, métricas, errores, configuraciones y runbooks para llegar antes a una hipótesis técnica verificable.

Agentes de código por repo

Uso Codex, Claude, OpenCode y Gemini con reglas por proyecto para implementar cambios chicos, revisar diffs y sostener criterios técnicos.

LLM local y datos sensibles

Uso Ollama y Open WebUI para flujos donde conviene mantener contexto operativo dentro de infraestructura propia.

Automatización y scripts

Acelero CLI tools, parsers, integraciones API, scripts de operación y documentación ejecutable sin perder revisión humana.

Seguridad operativa

Uso LLM como capa de apoyo para clasificar contexto, explicar señales y reducir falsos positivos; nunca como autoridad única de bloqueo.

Calidad, control y trazabilidad

Cada cambio asistido termina con revisión humana, lint, build, tests cuando aplica, Git diff, documentación y commit trazable.

Evidencia en proyectos

  • CentinelaOllama local dentro del pipeline de threat intel para clasificar contexto y reducir falsos positivos antes de alertar o bloquear.
  • Infra docs / runbooksProcedimientos de Ollama/Open WebUI y análisis de logs Elastic/Proxmox con modelo local y salida operativa.
  • PortfolioNext.js, reglas CONTENT/AGENTS, capturas anonimizadas, validación local y flujo de commits asistido por Codex.
  • Reglas por repoAGENTS.md, CLAUDE.md, RTK.md y prompts específicos en proyectos técnicos para dar contexto estable a agentes de código.
  • Dashboards y CLIsRevisión asistida para herramientas Python/JavaScript con APIs, cache, reportes, dashboards locales y flujos de operación.

Controles que aplico

  • No publicar secretos, credenciales ni datos productivos crudos.
  • Usar LLM local cuando el contexto operativo no debe salir.
  • Trabajar con alcance acotado por repo, archivo o tarea.
  • Validar con lint, build, tests o prueba manual reproducible.
  • Revisar Git diff antes de aceptar cambios.
  • Documentar decisión, evidencia y rollback cuando aplica.

Principio: la IA propone, el operador valida.