GOODYEAR, AZ · REMOTO (EE.UU.)
HÍBRIDO PHOENIX
Jordan Truong, ingeniero de IA en Goodyear, AZ. Disponible en remoto (EE. UU.) o híbrido en Phoenix.
Ingeniería agéntica: especificaciones escritas, CI/CD y evaluaciones antes de cada despliegue.
IA agéntica en producción: sistemas multi-agente, pipelines RAG e infraestructura. Construido y operado en producción real, desde cero, desde una terminal en Arizona.
El arco: doce años como dueño de negocio. Luego cuatro en IT empresarial. Ahora ingeniería de IA, enviando software que se ejecuta solo. El mismo instinto: hacer lo difícil confiable.
También en vivo y comprobable: /ops — panel de costes trazado con Langfuse y precio por solicitud · Anthropic Academy ×16, Claude Partner — Claude Code y Google AI Professional Certificate.
VPS multi-agente, SoloInvoice SaaS, asistente de conocimiento RCM. Todo en producción.
Construyó herramientas de IA en producción en dos campañas empresariales: copiloto RCM HIPAA (escenarios auditados en verde, 72 scripts, 27 playbooks, 41 códigos de notas) y ACES Aid (162 flujos, adopción en toda la planta, 1,500+ palabras clave indexadas). Ambas en uso diario.
Gestión de aprovisionamiento en 1,000+ franquicias. Auditorías de red y seguridad con actualizaciones de firmware secuenciadas por zona horaria.
Dos campañas empresariales: HMH (software educativo, soporte de cuentas y apps) y Dell Technologies (diagnóstico de hardware vía Zendesk, colaboración en Teams con técnicos senior, logística de garantías).
Doce años operando un negocio de servicio: contratación, nómina, programación, P&G.
Servidor de memoria MCP de código abierto. Un comando: pip install all41n14lla. Suite de 90 tests en CI verde en Python 3.11–3.14.
Diez sistemas agénticos en producción diaria: copilotos salud + telecom (escenarios auditados en verde, 162 flujos), cinco demos en navegador (RAG, SQL, triaje de email, orquestación de agentes, capa semántica), SaaS con licencia offline, un motor de outreach de 7 agentes, y la plataforma que lo une. Toca para explorar.
Más de cincuenta habilidades cargadas bajo demanda, quince servidores MCP, memoria automática entre sesiones y guardarraíles en capas. El modelo es el 10% del sistema. El harness es el otro 90%.
Scout finds the lead, Diagnoser maps the gap, Builder ships the fix, Filmer records the walkthrough, Checker validates it, and Pitcher sends the note. No staff and no retainer, at about $0.10 a lead.
Escribe una pregunta en español. Se convierte en una consulta segura y parametrizada.
Pega un email. El agente clasifica, prioriza y redacta una respuesta en un pase.
Citas inline y abstención por umbral de confianza: si no está seguro, declina. Dominio: ciclo de ingresos en salud.
Pipeline de tres roles sobre hechos reales recuperados. El Crítico revisa el borrador contra los hechos y fuerza una revisión cuando encuentra una afirmación sin respaldo, con un máximo de dos rondas para que siempre termine.
Haz una pregunta de negocio. El modelo solo puede elegir una métrica de un catálogo fijo y publicado y nunca escribe su propio SQL. Las preguntas fuera del catálogo se rechazan.
O abre el chat (abajo a la derecha) para preguntarme lo que quieras.
Cada demo pasa por gates de typecheck, evals y regresión de prompts en cada commit. Los guardarraíles se ven funcionar: RAG declina en vez de adivinar, el Crítico rechaza afirmaciones sin respaldo, la capa semántica rechaza métricas fuera de catálogo.
Fine-tune local de Qwen2.5-0.5B con 8 ejemplos del contenido propio del sitio, probando si podía prescindir del system prompt de ~190 líneas que usa el chatbot en vivo. No pudo. Transcripción real del eval:
Modelo base + system prompt (correcto): "Un servidor de memoria MCP open source para agentes de IA, mantenido por Jordan Truong, publicado en PyPI y GitHub."
Fine-tuned, sin prompt (alucinado): "...una aplicación web para gestionar los 41 millones de usuarios de la app de Netflix..."
Dueño y operador de un negocio de salón y belleza. Programación, nómina, inventario, contrataciones, experiencia del cliente — todo. El trabajo enseñó pensamiento sistémico antes de tener nombre: cada restricción es un problema de diseño, cada cuello de botella es una falla de proceso que espera solución.
Me incorporé al stack tecnológico de gestión de la fuerza laboral a escala. Procesamiento de reclamaciones, RCM de salud, coordinación de operaciones multi-equipo. Aprendí qué significa la fiabilidad de sistemas grandes cuando una regla mal configurada le cuesta a alguien un reembolso. Luego los LLMs se volvieron suficientemente capaces.
Envié un servidor MCP en PyPI, un asistente de conocimiento RAG+GraphRAG en vivo, un cerebro VPS multi-agente y un producto SaaS con licencia — todo en solitario, todo en producción. El plan es seguir enviando hasta que los sistemas ganen mientras duermo.
Un diagrama, extraído del código el mismo día que se escribió. Dos puntos de entrada, un límite de confianza compartido y tres niveles de honestidad en cada respuesta de demo.
Lo que este sistema NO es: sin PHI, sin cuentas de usuario reales, sin datos de pago. Una herramienta HIPAA-safe construida en Valor es un sistema separado y no aparece aquí.
Cinco decisiones de los sistemas de arriba, con su coste incluido. Cualquiera puede enumerar lo que lanzó. Estas son las elecciones que tuvieron un precio, incluidas las que me costaron algo.
Remoto-EE.UU. o área de Phoenix únicamente. Disponible para roles de IA / sistemas agénticos.