Disponible para nuevos proyectos

Hola, soy Diego De La Flor

~/

AI Developer · LLM Agents · RAG

Construyo skills y pipelines RAG con agentes LLM que corren en producción y ahorran horas reales a los equipos de ingeniería.

Ver proyectos GitHub
3 Años de experiencia
70.9% Menos tiempo creando pruebas
5 Proyectos destacados
3 Roles progresivos

01. about

Sobre mí

Quién soy, qué hago y qué tecnologías uso para hacerlo.

D

Diego De La Flor

AI Developer · LLM Agents · RAG

AI Developer con 3 años de experiencia y progresión QA → Full Stack → AI dentro de la misma HR tech en producción. Formo parte del equipo que mantiene el toolkit interno de agentes LLM del área de ingeniería y soy owner del vertical de QA: diseño, mantengo y evoluciono todas las skills de QA que consume el equipo. Diseñé el pipeline RAG que redujo 70.9% el tiempo de creación de casos de prueba y lo refactoricé a skills modulares. Mi foco es la mantenibilidad: que el impacto se sostenga en producción sprint tras sprint, no que funcione en una demo.

  • Ubicación Lima, Perú
  • Formación Ing. de Software — UPC, Lima
  • Idiomas Español (nativo) · Inglés (B1)
  • Disponibilidad Open to work — full-time / freelance

Cursos & Certificaciones

  • Essentials Automation Certification Automation Anywhere · 2026
  • AWS Cloud Practitioner Essentials AWS Training · 2024
  • Especialista en Excel IDAT · 2023
  • Analista de Ciberseguridad UPC · 2022
  • SQL para Ciencia de Datos UPC · 2022

Stack tecnológico

IA & Agentes
PythonRAGLLMsModel Context Protocol (MCP)Claude CodeOpenAI & Anthropic APIEmbeddingspgvector / ChromaDBPrompt & Context Engineering
Machine Learning
Random ForestXGBoostCatBoostscikit-learnIoT / ESP32
QA & Testing
PlaywrightCypressSeleniumPostmanApache JMeterBrowserStack
Backend
NestJSNode.jsSpring BootLaravelC# .NETREST APIsMicroservices
Frontend
ReactNext.jsAngularTypeScriptFlutterHTML5 / CSS3
Datos & Cloud
PostgreSQLMySQLSQL ServerMongoDBFirebaseAzureAWSDockerGitHub ActionsJenkinsGit
Metodologías
ScrumJiraConfluence

02. experience

Experiencia

Trayectoria profesional y los problemas que he resuelto en producción.

  1. Actual

    AI Developer

    Mandü HR

    Feb 2026 – Actualidad
    • Owner del vertical de QA dentro del toolkit interno de agentes LLM de ingeniería: diseño, mantengo y evoluciono todas las skills de QA que consume el equipo, dentro de una plataforma compartida y versionada que se distribuye por perfiles de rol.
    • Diseñé el pipeline RAG (Jira + Confluence, pgvector + ChromaDB) que redujo 70.9% el tiempo de creación de casos de prueba, de 50h a 14.55h por sprint, y lo refactoricé a skills modulares reutilizables.
    • Construí las skills de generación de casos de prueba, carga a Jira, mapeo de endpoints a colecciones Postman y generación de tests E2E con Playwright con evidencia automática.
    • Sostengo las skills en producción: mantenimiento continuo, resolución de casos borde y optimización del contexto que consume cada una, para que el ahorro se sostenga sprint tras sprint.
    • Itero cross-team con el Tech Lead de QA, el Tech Lead de mi área y los analistas de cada equipo.
    PythonRAGMCPClaude CodeOpenAI APIAnthropic APIpgvectorChromaDBPlaywrightJiraPostman

  2. Full Stack Developer

    Mandü HR

    Ene 2025 – Ene 2026
    • Construí 6+ módulos de alto impacto en producción con Laravel, NestJS, Angular (Ant Design) y React + Vite, ampliando la cobertura funcional de la plataforma HR para una base de +4,500 usuarios.
    • Optimicé consultas críticas en bases SQL y NoSQL, reduciendo latencia en operaciones de lectura/escritura de alta concurrencia en el sistema de gestión de colaboradores.
    • Propuse e implementé una refactorización del pipeline de importación masiva usando upsert con particionado en bloques de 10,000 registros, logrando una reducción de 10 s por lote y eliminación de duplicados.
    • Integré servicios backend con APIs REST en PHP/Laravel y NestJS dentro de un ecosistema de microservicios, asegurando compatibilidad y mantenibilidad del código.
    LaravelPHPNestJSAngularReactViteTypeScriptSQLNoSQL

  3. QA Trainee

    Mandü HR

    Sep 2023 – Dic 2024
    • Ejecuté pruebas funcionales y de regresión en web, móvil y escritorio, documentando defectos y validando requisitos en sprints ágiles.
    • Automaticé pruebas de API con Postman validando endpoints en PHP, y conduje pruebas de carga y estrés con Apache JMeter, identificando cuellos de botella y mejorando SLAs de rendimiento.
    • Validé compatibilidad y responsive design en múltiples dispositivos y navegadores con BrowserStack, asegurando cobertura cross-platform.
    PostmanApache JMeterBrowserStackAPI TestingPerformance TestingScrum

03. projects

Proyectos Destacados

Sistemas que he diseñado y construido end-to-end, desde la arquitectura hasta producción.

Público 1 proyecto — código disponible
Privado 4 proyectos — bajo NDA / propiedad intelectual
Privado

Skills de QA con Agentes LLM — RAG + Playwright

Ene 2026 – Actualidad

Problema

La creación manual de casos de prueba desde historias de usuario en Jira y Confluence consumía ~50 horas por sprint, generando cuellos de botella en QA. Un pipeline aislado no bastaba: el ahorro tenía que sostenerse en producción y llegar a todos los equipos.

Solución arquitectónica

Pipeline RAG que ingesta documentación de Jira y Confluence (pgvector + ChromaDB, OpenAI/Anthropic API) y genera casos de prueba contextualizados. Refactorizado a skills modulares dentro del toolkit interno de agentes LLM: generación de casos, carga automática a Jira, mapeo de endpoints a colecciones Postman (happy y unhappy path) y generación de tests E2E con Playwright que ejecutan cada caso y dejan evidencia (capturas y video).

Impacto & Valor

  • Reducción del 70.9% en el tiempo de creación de casos de prueba (50h → 14.55h por sprint)
  • Skills en producción, usadas a diario por los equipos de QA
  • Trazabilidad automatizada: historia de usuario → caso de prueba → test E2E con evidencia

Tecnologías

PythonRAGMCPOpenAI & Anthropic APIpgvectorChromaDBPlaywrightJira API
Privado

DOM Capture & Test Generator

Feb 2026

Problema

La construcción de scripts E2E requería inspección manual y repetitiva del DOM para extraer selectores robustos, ralentizando la cobertura de pruebas.

Solución arquitectónica

Aplicación de escritorio con Electron, React y Vite que captura el estado del DOM en tiempo real durante la navegación. Genera automáticamente mappings JSON (Page Object Model) y produce pruebas E2E reutilizables listas para Cypress.

Impacto & Valor

  • Aceleración radical en la codificación y mantenimiento de pruebas E2E
  • Estandarización de selectores, reduciendo la fragilidad de las suites de prueba
  • Cobertura de nuevas funcionalidades sin inspección manual del DOM

Tecnologías

ElectronReactViteTypeScriptCypressDOM Analysis
Privado

Sistema de Recomendación Agrícola — Café

Ago 2024 – Dic 2025

Problema

Los agricultores cafetaleros carecen de orientación personalizada basada en datos para optimizar rendimiento y calidad del cultivo según condiciones ambientales reales.

Solución arquitectónica

Sistema de doble backend: Spring Boot para procesamiento local de datos de sensores IoT y .NET (Azure) para lógica cloud. Pipeline de datos desde sensores ESP32 (humedad, NPK, lluvia) hacia un modelo de clasificación que genera recomendaciones contextuales, expuestas vía REST API.

Impacto & Valor

  • 3 modelos evaluados (Random Forest, XGBoost, CatBoost) sobre ~9,983 muestras; Random Forest seleccionado para producción
  • Integración de 4 tipos de sensores IoT en tiempo real
  • Doble backend local/cloud para resiliencia offline

Tecnologías

Spring Boot.NET / AzurePythonRandom ForestXGBoost / CatBoostESP32 / IoTSQL ServerREST APIs
Privado

Automatización de Contenido para YouTube Shorts

Feb 2026 – Abr 2026

Problema

Producir shorts de forma constante exige guion, imágenes, voz y publicación coordinados: horas de trabajo manual repetitivo por cada pieza.

Solución arquitectónica

Flujo end-to-end orquestado con n8n que encadena OpenAI (guion), Stability AI (imágenes), ElevenLabs (voz) y Google Sheets/Drive (cola de contenido y assets) para generar cada short de forma automática.

Impacto & Valor

  • 20+ shorts mensuales generados en producción
  • Orquestación de 4 APIs externas en un solo flujo sin intervención manual
  • Cola de contenido y assets gestionados desde Google Sheets y Drive

Tecnologías

n8nOpenAI APIStability AIElevenLabsGoogle SheetsGoogle DrivePrompt Engineering
Público

Legacy-to-Modern Architect

Feb 2026

Problema

Aplicaciones monolíticas legacy con deuda técnica acumulada, tiempos de despliegue lentos y alta fricción para incorporar nuevas funcionalidades.

Solución arquitectónica

Arquitectura de migración progresiva de monolito a microservicios usando strangler-fig pattern. Pipeline CI/CD con GitHub Actions, contenedores Docker y despliegue en AWS/Azure. Refactorización incremental con feature flags para zero-downtime migration.

Impacto & Valor

  • Reducción del tiempo de despliegue en un 70%
  • Arquitectura desacoplada lista para escalar horizontalmente
  • Documentación técnica de patrones replicables

Tecnologías

Node.jsDockerGitHub ActionsAWSAzureMicroservicesReactTypeScript
Ver todos mis repositorios en GitHub

04. contact

Trabajemos juntos

¿Tienes un proyecto ambicioso o una posición donde necesitas agentes LLM, RAG o automatización de QA en producción? Estoy disponible para conversaciones.

Envíame un mensaje

Respondo en menos de 24h. Cuéntame el desafío técnico o la oportunidad y evaluamos si hay fit.

diegoalonso139@gmail.com
GitHub LinkedIn