Una selección de lo que he construido y lo que estoy explorando, del backend distribuido a los sistemas de bajo nivel.
En producción
lebesgue.cl
Plataforma propia para mis clases particulares de matemáticas, física, estadística y programación. Los alumnos reservan clases y pagan en línea, descargan material privado y reciben su sala de Google Meet automáticamente. El backend es serverless sobre AWS y toda la infraestructura está definida como código.
API NestJS sobre AWS Lambda y cliente Next.js en un monorepo Turborepo
Infraestructura en Terraform: VPC sin NAT (VPC endpoints), API Gateway, RDS, S3, SES y EventBridge Scheduler
Reservas, pagos con Mercado Pago (webhooks con firma verificada) y salas de Google Meet automáticas
Auth con rotación de refresh tokens y detección de reuso; material servido con URLs firmadas de S3
377 tests end-to-end, 8 ADRs y deploy por GitHub Actions con OIDC (sin llaves de larga duración)
Estudio comparativo: cada lenguaje implementa la misma API REST (POST /mine busca un nonce SHA-256) y un generador de carga propio mide cómo escala cada modelo de concurrencia. La versión en C no usa librerías: criptografía, HTTP y thread pool están escritos desde cero.
C11: SHA-256 desde cero, servidor HTTP/1.1 sobre sockets POSIX y parser JSON propio
Thread pool con pthreads y cola ring-buffer (mutex + variables de condición)
Go solo con la stdlib (goroutines + atomic) y Rust con axum/Tokio y spawn_blocking
Generador de carga en Go con histogramas de latencia; cliente y servidor fijados a cores distintos
Tests en los tres lenguajes y script de conformidad que valida que las tres APIs respondan igual
Motor de física de partículas 2D enfocado en precisión numérica y rendimiento. Integración Verlet con sub-steps, resolución de colisiones que conserva el momentum y un broad-phase con grilla espacial optimizada para caché, paralelizado con Rayon.
Integración Verlet con sub-stepping para evitar tunneling
Colisiones con proyección ponderada por masa: conserva el momentum y no inyecta energía
Grilla espacial en layout CSR (Compressed Sparse Row) para acceso cache-friendly
Solver paralelo con Rayon por coloreo de celdas en 6 pasadas, sin data races
Dashboard en tiempo real: tiempos por fase, frame time p99 y throughput
Sistema tipo ATS que procesa currículums con NLP, extrae competencias y experiencia, y ordena candidatos por afinidad con el cargo. Gestiona etapas de reclutamiento, entrevistas y notificaciones. Monorepo con un backend NestJS que orquesta un microservicio de NLP en Python.
Microservicio NLP en FastAPI: parsing de CVs en PDF, DOCX y TXT
Clasificación y matching de candidatos con IA
API NestJS + PostgreSQL (Drizzle ORM) y cliente Next.js
Monorepo pnpm con tipos TypeScript compartidos entre servicios