Seis sistemas y una espina dorsal

Todo lo que construyo cuelga de la misma idea: un contexto versionado en Git que los modelos leen y escriben por un servidor propio, y agentes que actúan sobre ese contexto.

~9 mesesdesde la primera línea de código
9 reposprivados, 6 con revisor automático
1 VPSHetzner, Ubuntu 24.04, Docker
0 puertosabiertos en la IP pública

Cómo se conecta

Clientes
Claude Codelocal, stdio
Claude DesktopHTTPS
Chat webHTTPS
Puente de contexto
mcp-brainservidor MCP propio · Python · Docker
→
Tailscale FunnelHTTPS + token, sin puertos abiertos
Memoria
AI-Brainidentidad/ + agentes/<proyecto>/
→
Gitcada escritura es un commit
Agentes y productos
mailagentGmail · n8n
FundAImentalSaaS Flask
Agente de dossiersanálisis fundamental
CV-Agentcandidaturas
job-radarautopilot de candidaturas
Pipeline de mercadocerrado ago 2026
Control de calidad
revisor-actionGitHub Actions · composite action privada
→
Veredicto en cada PR6 repos

Los tres principios que se repiten

  • Determinista antes que probabilístico. Las reglas son gratis, instantáneas y auditables. El modelo entra como respaldo, nunca por defecto.
  • Nada se da por bueno sin medirlo. Todo cambio se valida contra datos sellados y no circulares, con scripts de solo lectura.
  • Seguro por defecto. Nada se borra, todo es reversible, y lo dudoso se aparca para revisión humana en vez de adivinarse.

Stack real

  • Python, APIs de Anthropic y OpenAI, agentes y prompt engineering.
  • Linux y VPS: SSH por clave, systemd, cron, UFW, logrotate.
  • Docker y docker compose. Postgres con pgvector desplegado.
  • Git, GitHub CLI y GitHub Actions. MCP construido, desplegado y en uso diario propio.
  • Tailscale: tailnet y Funnel para servir HTTPS sin exponer la máquina.

mailagent

Clasifica mi bandeja de Gmail en una taxonomía de etiquetas con reglas explícitas, sin modelo. n8n orquesta y decide un servicio propio, aislado y sin credenciales. Hoy corre en seco: anota qué haría con cada correo sin tocar ninguno.

en seco sobre mi correo
Repoguillem-olalla/mailagent
StackPython 3.12 (biblioteca estándar y PyYAML), n8n, API de Gmail
DespliegueDocker en el VPS, red interna sin salida a internet
Alcance OAuthgmail.metadata en seco, gmail.modify en producción

El problema

Una cuenta personal con unas 19.800 conversaciones, 15.700 sin leer. A mano era inviable, y los filtros inteligentes genéricos son opacos: no puedes auditar por qué han movido algo. Hacía falta un sistema transparente y barato, con reglas explícitas que controlo yo.

Arquitectura

Cada 15 minutosn8n · fuera de la franja de 7 a 8
→
Recorre la bandejapaginando con pageToken
→
Pendientesel registro dice qué ids son nuevos
Lee cabecerassolo From y Subject
→
clasificadorreglas de categories.yaml · coste cero
→
Registrouna decisión por correo · 30 días
en producción, cuando el seco pase el umbral
Etiqueta y archivaids resueltos con labels.list
→
Marca Processatin:inbox -label:Processat
Lo que no casa va a Revisarse queda en la bandeja, no se adivina

Componentes

PiezaResponsabilidad
clasificador/reglas.pyCarga y valida categories.yaml. decidir() devuelve la etiqueta, si archiva, qué regla casó y qué etiquetas poner y quitar.
clasificador/registro.pyRegistro de decisiones: un JSONL por día, modo 600, borrado a los 30 días y deduplicado por id.
clasificador/servidor.pyServicio HTTP en la red interna, sin credenciales: /pendientes, /clasificar y /salud.
n8n/mailagent-seco.jsonEl flujo en seco. Solo lee.
tests/test_flujos.pyEl guardián: lee el JSON de cada flujo y falla si puede borrar, enviar o leer algo más que cabeceras.
evaluacion/medir.pyExporta una muestra de 100 decisiones para marcarla a mano y saca la precisión y la matriz de confusión.
config/categories.yamlFuente única de verdad: taxonomía, reglas y política de archivado. Fuera del repo, porque lleva datos de terceros.

Decisiones que sostienen el sistema

  • Solo reglas, sin modelo. La primera versión, en Python, ya enseñó que una bandeja real viene de un conjunto repetido de remitentes. Lo que las reglas no colocan va a Revisar. Si esa cola necesita un modelo, lo dirán los datos del seco.
  • Fuente única de verdad. Taxonomía, reglas y archivado viven en un solo yaml. El orden de las reglas codifica la prioridad: gana la primera que casa. Cambiar el comportamiento no toca código.
  • Comparación de dominios por límites. Corrigió un fallo real: la comparación por subcadena mandaba news.arcteryx.com a Social porque contiene x.com. Ahora compara remitente == regla o remitente.endswith("." + regla).
  • Aislado por construcción. El clasificador no tiene credenciales ni acceso a Gmail. Corre sin root, sin puertos, con el sistema de archivos en solo lectura y en una red de Docker sin salida a internet. El despliegue falla si el contenedor llega a internet o puede escribir en disco, y también si corre como root.
  • Los permisos, por test. gmail.modify dejaría enviar correo o leer el cuerpo, entre otras cosas. El guardián lo impide en el JSON de cada flujo, antes de que llegue a n8n.
  • Umbral antes de escribir. Producción solo arranca con una precisión de 95 % o más y cero errores en Seguretat y Finances, medidos sobre 100 decisiones marcadas a mano. El primer lote es de 20, con una prueba de deshacer.

Resultado

0diferencias con el motor de la primera versión en 20.000 casos
650correos en la prueba de extremo a extremo, sin releer ninguno
+100tests, que corren también al construir la imagen
0 €coste de clasificación

Las cifras salen de la suite y de una prueba con un n8n temporal contra un Gmail simulado. Las de la bandeja real llegarán con la medida del seco. Esa prueba no medía la cuota de Gmail: el límite por minuto apareció el primer día sobre la bandeja real, y ahora lo comprueba un test. La primera versión archivó unos 15.000 correos del backlog.

Por qué esto es un embudo de WhatsApp con otro canal

Cambia el disparador de Gmail por un mensaje entrante, las etiquetas por etapas de lead y la cola Revisar por el punto donde el lead pasa a un comercial. La forma del sistema es la misma: cualificar con reglas que se pueden auditar, no repetir acciones sobre el mismo contacto, pasar a una persona lo que las reglas no deciden y dejar rastro de por qué cada uno acabó donde acabó.

brAIn: servidor MCP y cerebro versionado

Un servidor MCP propio que da a los modelos lectura y escritura sobre mi contexto y sobre mis repos de código, con control de acceso y flujo de pull request.

desplegado y en uso
Reposmcp-brain, AI-Brain, revisor-action
HostHetzner CX23, Ubuntu 24.04, Docker
RedTailscale tailnet + Funnel, HTTPS, token
SDKmcp[cli]>=1.28,<2

El problema

Volver a explicarle a un modelo quién soy y en qué estoy cada vez que abro una sesión. La memoria resumida tipo Mem0 no servía: extrae y comprime, y yo necesitaba conocimiento fiel y versionado. Así que el contexto pasó a ser un repo de Git, y el servidor MCP es el puente que lo lee y lo escribe.

Dos caminos de escritura, deliberadamente distintos

camino 1 · sobre el cerebro, por clon local y git
escribir_archivo
→
git pull --ff-onlyfail-closed
→
commit del archivo tocado
→
push a main
→
si falla: reset --hard
camino 2 · sobre repos de código, contra la API de GitHub, sin clonar
proponer_cambio
→
rama mcp/<slug>nunca directo a main
→
pull request
→
revisor-actionveredicto automático
→
lo apruebo yo

Las ocho tools y un prompt

ToolQué hace
listar_archivosLista recursivamente los .md del cerebro. Sincroniza antes de listar.
leer_archivoDevuelve un .md del cerebro. Hace pull --ff-only antes de leer; si no puede, sirve la copia local con un aviso delante.
escribir_archivoSobrescribe un .md existente y lo publica. No crea archivos.
editar_archivoSustituye fragmentos exactos de un .md del cerebro en un solo commit. Cada fragmento aparece una sola vez; si uno falla, no se toca nada.
leer_archivo_repoLee un archivo de un repo de código por API, sin clonar.
proponer_cambioEscribe un archivo entero en una rama propia y abre un pull request.
editar_archivo_repoLo mismo que editar_archivo, en un repo de código, por rama y pull request. Si alguien cambió el archivo en medio, falla sin pisar nada.
subir_binarioSube un binario, como un PDF, por rama y pull request, y comprueba que el blob publicado es idéntico al enviado.
cierre_de_sesionPrompt, no tool: el procedimiento para cerrar una sesión de trabajo en el cerebro, con la fecha del día.

Controles de seguridad

  • Lista blanca de repos en código, no en configuración. mcp-brain queda fuera a propósito: darle permiso para abrir PRs sobre sí mismo pondría sus propias validaciones al alcance de lo que protegen.
  • Lista negra de rutas: .env y .github/workflows/ no se leen ni se escriben, ni siquiera por lectura.
  • Validación anti-traversal, solo .md en el cerebro, tope de 1 MB por archivo.
  • Sin puertos abiertos. El contenedor escucha en la IP de la tailnet y se publica por Funnel con certificado válido. El 80, 443 y 8080 de la IP pública rechazan conexión.
  • Un fallo real y su arreglo: los subprocesos de git se comían la tubería stdio del MCP. Se resolvió con stdin=DEVNULL, GIT_TERMINAL_PROMPT=0 y GCM_INTERACTIVE=never.
  • Otro: las lecturas servían un clon desfasado 28 commits. Ahora sincronizan antes de leer y, si no pueden, avisan; una escritura que arrastre ese aviso se rechaza.

Lo que demuestra

Integrar IA en flujos de negocio es, en el fondo, dar a un modelo acceso controlado a sistemas reales. Esto es exactamente eso, construido, desplegado y en uso diario propio: autenticación, permisos por recurso, escrituras reversibles, revisión antes de aplicar. El límite honesto es que son mis repos; todavía no he envuelto herramientas de terceros como un CRM en un servidor MCP.

job-radar: autopilot de candidaturas

Cada mañana busca ofertas en varias fuentes, descarta por reglas, puntúa lo que queda y prepara para las buenas una candidatura completa. Cada frase se comprueba contra mis hechos, y nada se envía sin mi aprobación.

en uso propio
Repoguillem-olalla/job-radar
StackPython 3.12, SQLite, Playwright, API de Anthropic, Jev (TypeSafe), Tavily
DespliegueDocker y timer de systemd, un run al día
RevisiónInterfaz web, solo por la tailnet

El problema

Buscar trabajo a mano es leer cientos de ofertas para quedarte con unas pocas, y reescribir el CV y la carta para cada una. Las herramientas de aplicación masiva lo automatizan, pero no puedo auditar qué dicen de mí. Quería lo contrario: un sistema que solo escribe lo que mis hechos respaldan y que me deja la última palabra.

Arquitectura

Descubrimiento8 ATS por API · JobSpy · Tavily · JSON-LD
→
Memoria SQLitededupe entre fuentes
→
Reglas en códigoubicación, título, salario · coste cero
Jevpreguntas tipadas · nota y tier en código
→
Paquete con ClaudeCV, carta, mensaje, respuestas
Verificación frase a fraseJev contra los hechos · 4 categorías
→
Escáner de honestidadcódigo · bloquea el envío
si una frase no pasa o el escáner salta
Cola de revisióncon el motivo, no se adivina
Mi aprobaciónmodo approve por defecto
→
Formulario con PlaywrightGreenhouse · Lever · Ashby
→
Enviadasolo si aparece la confirmación

Componentes

MóduloResponsabilidad
discover.pyBúsqueda web por dominio de ATS. Una empresa nueva se sondea y, si tiene ofertas, entra en el mismo run.
sources/APIs públicas de ocho ATS y JobSpy. Cada fuente va aislada: si una cae, el run sigue y lo registra.
rules.pyUbicación y título, y el salario cuando la oferta lo publica. Cada descarte guarda su motivo.
policy.pyNota y tier a partir de las respuestas tipadas de Jev sobre la oferta. Jev da los hechos; la puntuación es código.
package.pyClaude redacta el paquete con las reglas de CV-Agent. Jev verifica cada frase contra los hechos.
honesty.pyEscáner por texto, sin modelo. Un hallazgo bloquea el envío hasta regenerar el paquete.
apply.pyRellena el formulario con Playwright. Sin login, sin crear cuentas y sin resolver CAPTCHAs.
review.pyCola de revisión: aprobar, editar, rechazar o abrir el formulario relleno para que lo envíe yo.
budget.pyTope de gasto mensual sobre el coste medido de cada llamada, no sobre una estimación.

El verificador: de sí o no a cuatro categorías

La primera versión le preguntaba a Jev, frase a frase, si cada afirmación estaba respaldada por los hechos. Sí o no. Comparando dos modelos de redacción, una carta decía que estaba acostumbrado a «leading a team, including regional management and suppliers». Mis hechos dicen interlocución con dirección regional y proveedores, no liderazgo. El sí o no la dejó pasar: el hecho existía, solo estaba inflado.

Lo sustituí por una pregunta de cuatro opciones: habla del puesto, respaldada tal cual, exagera o deforma un hecho real, o no aparece en los hechos. Solo pasan las dos primeras, y solo si la probabilidad de respaldo llega a un umbral. Una sola frase que no pase manda el paquete entero a la cola. Esa frase se quedó como caso de regresión, en la suite y como caso obligatorio de la eval contra Jev real.

Decisiones que sostienen el sistema

  • El modelo redacta, el código decide. Qué se envía y qué va a la cola es política determinista y testeada. Claude escribe y Jev juzga hechos, pero ninguno de los dos aprieta el botón.
  • Escáner de honestidad con bloqueo. Un modelo varía entre llamadas. Para los errores que más daño harían hay una segunda red en código: busca por texto que un proyecto aparezca en producción o con usuarios cuando no lo está. Un hallazgo bloquea el paquete: no se puede aprobar, ni marcar como enviado, ni abrir para enviarlo a mano.
  • Envío graduado, impuesto por código. El modo por defecto pide mi aprobación. El automático se niega hasta 20 candidaturas aprobadas sin ninguna edición, y una edición reinicia la cuenta.
  • Sin atajos. LinkedIn e Indeed solo sirven para descubrir. Un formulario con login, creación de cuenta o CAPTCHA visible va a la cola con el paquete listo, sin intentarlo. Un test falla si aparece en el código un plugin stealth o un user agent falseado.

Resultado

812ofertas en memoria
116puntuadas por Jev
24ofertas con paquete generado
8candidaturas enviadas, ninguna en automático
311tests, sin red ni keys

A 7 de octubre de 2026, de la base del radar y de la suite. Corre desde el 29 de septiembre. Las otras 696 ofertas las descartaron las reglas sin gastar una llamada a un modelo, y hay 16 paquetes con el envío bloqueado: el escáner de honestidad los paró cuando corregí mis propias fuentes de hechos.

Lo que demuestra

Un agente que actúa en mi nombre ante terceros, con la responsabilidad fuera del modelo: la verificación tiene una eval con umbral, la política tiene tests y el último clic es mío. El límite honesto es que es un sistema que uso yo, para mí, y el modo automático todavía no se ha activado.

FundAImental

SaaS chat-native de análisis fundamental educativo de empresas cotizadas. Enseña a leer una empresa, no dice qué comprar. Está desplegado, sin lanzar y sin usuarios externos, pendiente de la revisión legal de la suscripción.

desplegado, sin lanzar
Repoguillem-olalla/FundAImental-SaaS
BackendFlask: bloqueante, streaming SSE y lectura
FrontendUn único web/index.html, sin dependencias
Clave internaTICKER.Bolsa

La restricción que define el producto

Muro educativo, no negociable: sin recomendación de compra, venta o mantener, sin precio objetivo propio y sin señal de timing. El sistema separa cuatro cosas que normalmente van mezcladas: el hecho, la explicación, la interpretación y la opinión de terceros. Es una decisión de producto y también de riesgo regulatorio.

Arquitectura

Chatweb/index.html · EventSource
→
Flask/analyze · /analyze_stream (SSE) · /dossier
→
agent/run.pyorquesta la llamada al modelo
stores abstractos, con user_id como parámetro
DossierStoreFilesystemGitStore · un .md por valor
TaxonomyStoretaxonomies.json global
GlossaryStoreun JSON por usuario

Los tres stores son interfaces. Hoy van contra el sistema de archivos con auto-commit de git; mañana son Postgres con el mismo interfaz y sin tocar el resto. Esa es la parte que convierte un proyecto personal en algo multiusuario.

Piezas construidas

PiezaDetalle
NomenclaturaClave TICKER.Bolsa, estable y única. Resuelve la misma empresa cotizando en dos bolsas sin esconderlo.
Front-matterParser plano propio en agent/store.py, sin PyYAML. read() devuelve el cuerpo sin front-matter, así que el chat solo ve el análisis.
Biblioteca de términoscanonical_key() normaliza a minúsculas y sin acentos para deduplicar. Reinsertar no duplica ni sobrescribe. Cuatro endpoints HTTP.
TaxonomíasRelación muchos a muchos entre valor y taxonomía. Ocho endpoints. Renombrar arrastra las asignaciones.
Modo sin costeANALYSIS_FAKE y ANALYSIS_RECORD. Toda la UI se desarrolla sin gastar un céntimo en API.
InterfazTres temas con preferencia persistida, sidebar colapsable, streaming de respuesta, microinteracciones.

Una decisión de coste que vale la pena contar

Los términos financieros se subrayan siempre en su primera aparición, pero la explicación solo se genera si el término no está ya en la biblioteca del usuario. Y la cajita de explicación hace streaming simulado en el frontend sobre texto ya generado, no una llamada a la API por cada hover. Coste acotado y determinista, con la misma sensación en pantalla.

Lo que demuestra

Un producto de IA completo de punta a punta: backend, streaming, persistencia, interfaz, control de coste de tokens y una restricción de negocio que condiciona el prompt. Más el criterio de arrancar siempre en modo gratuito mientras se itera la UI.

Agente de dossiers

El agente de análisis fundamental que vive dentro de Claude y produce un dossier por empresa. Es el precursor de FundAImental y el prompt que el SaaS porta.

uso diario
Prompt26 secciones, versionado en AI-Brain
SalidaUn .md por empresa según plantilla
DossiersONDS, TLN, TMDX, ASTS, PNG, ENR

El protocolo de actualización

La parte interesante no es el prompt, es qué pasa con el documento en la segunda sesión. Cada sección del dossier tiene una regla de escritura distinta, y eso es lo que evita que la memoria se degrade.

ReglaSeccionesPor qué
Se sobrescribeMetadatos, Snapshot, Guidance vs consenso vs realSon una foto del momento. Conservar versiones antiguas solo genera ruido.
Se añade sin borrarLog de eventos, Conceptos aprendidos, FuentesMemoria viva. Append-only, porque el valor está en la serie.
Se edita a demandaFicha, Negocio, Métricas de sector, TesisSolo cambian cuando cambia la realidad del negocio, no cada sesión.

Reglas de rigor sobre los datos

  • Cada cifra va con valor, periodo, moneda y fuente. Sin excepciones.
  • No se mezclan trimestres, ejercicios, TTM y estimaciones en la misma comparación.
  • La plantilla ya está pensada para el software: cada sección mapea a una tabla o un campo. Por eso el salto a FundAImental no obligó a rehacer el prompt.

Lo que demuestra

Diseño de comportamiento de agente. Lo difícil de un agente que trabaja sobre un documento vivo no es generarlo la primera vez, es decidir qué se pisa y qué se acumula en la vigésima. Es el mismo problema que tiene el historial de un lead.

Pipeline de scoring y validación estadística

Cinco meses en producción sobre VPS, ingesta en vivo por API, sistema de scoring ponderado por rendimiento y alertas. Lo apagué yo cuando los tests dijeron que no había señal.

decomisionado, ago 2026
Repoguillem-olalla/polymarket-copytrader
Runtime3 servicios systemd, 2 crons, 1 timer
AlertasTelegram y email
Duraciónmar a ago 2026

Arquitectura

analizador.pycron 06:00 · ranking de fuentes
→
wallets.json
monitor.pyservicio, cada 15 s
→
decisor.pyfiltros, pesos, dimensionado
→
ejecutor.pyDRY_RUN
cierres.pyservicio, cada 30 s · stops
→
telegram_alertas.pypush instantáneo
→
email_diario.pycron 20:00 · informe
factor_copia.pytimer systemd, horario
→
factor_copia.jsonfactor por fuente y contexto
→
validar_factor_copia.pyread-only, forward

El sistema de scoring

Es la parte que más se parece a un lead scoring. Cada fuente tiene un peso, y ese peso se corrige por un factor calculado sobre su historial real segmentado por contexto, con shrinkage para que las fuentes con pocos datos no se disparen.

  • El peso efectivo es peso por factor. Las fuentes recortadas no se descartan: se les aplica un suelo de control, porque una fuente eliminada deja de generar datos y ya no puede recuperar el sitio.
  • Cada decisión se sella con el factor aplicado y el contexto. Sin ese sello no puedes cruzar después lo que el sistema creyó con lo que pasó de verdad.
  • Fallback explícito: si el archivo de factores no está, factor 1.0 y sistema inactivo. Si una fuente no tiene historial en ese contexto, valor por defecto. Nunca un comportamiento indefinido.
  • Validación separada del productor. validar_factor_copia.py es de solo lectura y cruza el sello con el resultado real. El que puntúa nunca es el que se corrige a sí mismo.

Robustez en producción

  • Toda llamada a API pasa por get_robusto(): tres intentos, espera exponencial, timeout de 15 s, y log centralizado de errores.
  • Toda escritura de JSON es atómica: se escribe a .tmp y se renombra. Si un archivo queda corrupto, se recupera del backup horario más reciente.
  • Servicios systemd con Restart=always y reinicio a los 10 s. Arranque automático en boot.
  • logrotate a 30 días con compresión, y 90 para el log de auditoría, con copytruncate para rotar sin parar el bot.

Los dos momentos que cuentan

  • El modelo sobre-optimista. Los backtests ignoraban unos 20 segundos de latencia real entre el dato y la acción. Con esa latencia dentro, el resultado cambiaba. Lo detecté porque cada cambio en producción se validaba contra datos sellados y no circulares, con scripts de solo lectura que no podían mirar lo que el propio sistema había escrito.
  • El apagado. Tras los tests forward fuera de muestra, la conclusión fue que no había ventaja sostenible. Lo decomisioné en vez de mantener vivo algo que no aportaba. La metodología se sostuvo, la señal no.

Lo que demuestra

Sé montar un sistema de scoring y, sobre todo, sé auditarlo. Casi nadie que monta un lead scoring lo valida contra datos sellados, y por eso casi nadie sabe si su scoring funciona o solo confirma lo que ya creía. También sé parar a tiempo, que es la decisión que nadie quiere firmar.

Reconstrucción de mailagent en n8n

La versión nueva de mailagent: n8n orquesta y un servicio propio decide. El flujo en seco ya corre sobre mi correo. El de producción espera a que el seco pase el umbral.

seco en marcha

n8n orquesta, el código decide

Primero lo diseñé como n8n con un nodo de código que llevara el clasificador dentro. Lo cambié antes de construirlo: las reglas habrían acabado en el JSON del flujo, que va al repo, y un nodo de código no se prueba con pytest. Ahora n8n pone el horario, las llamadas a Gmail, la paginación y los reintentos. La decisión es de un servicio con tests.

Schedule Triggercada 15 minutos
→
HTTP Requestcredencial genérica de Google
→
clasificadorred interna · sin credenciales

Lo que n8n puede hacer y lo que no

  • Sin el nodo de Gmail de n8n. Pide acceso total (https://mail.google.com/), que incluye borrar para siempre. Las llamadas van por HTTP Request con el permiso mínimo de cada fase.
  • Sin nodos de código. Un test rechaza cualquier flujo con un nodo fuera de una lista corta.
  • Las ejecuciones correctas no se guardan. Llevan remitentes y asuntos. Solo quedan las que fallan.
  • Solo en la tailnet. n8n no tiene ningún puerto abierto en la IP pública.

Por qué n8n

  • Visibilidad de las ejecuciones. Un log en un VPS solo lo lee quien entra por SSH. Un historial de ejecuciones lo lee cualquiera del equipo.
  • Es el paso previo al event-driven. El objetivo final es sustituir el sondeo por watch de Gmail con push por Pub/Sub, y un cron semanal que renueva la suscripción.

Dónde estoy

Empecé con n8n en agosto de 2026 y hoy lo autoalojo en Docker en mi VPS. El flujo en seco corre sobre mi correo desde noviembre de 2026. El de producción todavía no existe: lo construiré cuando el seco pase el umbral. Lo que aún no tengo es un flujo grande corriendo en producción, y prefiero decirlo que adornarlo.