Emiliano Agüero
De APIs backend a agentes de IA — construyo los sistemas que hacen funcionar la IA en producción.
Soy desarrollador Python especializado en sistemas de IA — desde agentes con LLMs y pipelines de retrieval hasta APIs en producción con FastAPI. Diseño y construyo la infraestructura backend que convierte la investigación en IA en productos funcionales.
Stack
IA / ML
Backend & Infraestructura
Frontend
Automatización
Experiencia
Desarrollador IA / Desarrollador Python
Jul 2023 - PresenteNeuronic
- Lideré la arquitectura de la plataforma NeuroAI para agentes IA autónomos con integración de bases de datos vectoriales y ejecución SQL
- Construí pipelines RAG con ChromaDB y Pinecone para recuperación de documentos y respuesta a preguntas
- Diseñé microservicios FastAPI en Digital Ocean con Docker y Kubernetes
- Apliqué técnicas de prompt engineering y fine-tuning para optimización de LLMs
- Automaticé flujos de trabajo internos utilizando agentes IA
Desarrollador Python
Ene 2023 - Presentesevendatarivers
- Construí herramientas de automatización con PyAutoGUI para optimización de procesos
- Mejoré la productividad del equipo reduciendo tareas manuales repetitivas
Desarrollador Backend
Feb 2021 - Dic 2022Proyectos Freelance
- Construí APIs RESTful con Flask y SQLAlchemy
- Diseñé arquitectura de bases de datos en MySQL y PostgreSQL
- Gestioné el ciclo completo de desarrollo con Git y GitHub
Proyectos
NeuroAI
Problema: Las organizaciones necesitaban una forma de desplegar agentes IA autónomos que pudieran razonar sobre documentos internos, ejecutar consultas SQL e integrarse con plataformas de mensajería como WhatsApp — sin construir todo desde cero.
Resultado: Una plataforma de agentes IA para crear y orquestar agentes autónomos con integración de bases de datos vectoriales y conectividad API de WhatsApp, permitiendo a los equipos automatizar análisis de documentos y flujos de trabajo complejos.
LectinAI
Problema: Investigadores de la UNLP carecían de herramientas accesibles para realizar análisis morfométrico computacional en muestras de tejido biológico, requiriendo cuantificación manual de lectinas lenta y propensa a errores.
Resultado: Un analizador morfométrico computacional multiplataforma con un modelo ResNet18 personalizado en PyTorch para cuantificación automática de lectinas en tejido biológico, con procesamiento de imágenes via OpenCV e interfaz Streamlit.
Demo en vivo