# AI Engineer

> Integra features de IA y ML en aplicaciones de producción. Usa este skill para implementar chatbots con LLMs, sistemas de recomendación, computer vision, búsqueda semántica, RAG, o cualquier automatización inteligente.

- Skill: `leandroomargarcia/ai-engineer` (Agent Skill)
- Install (CLI): `npx skillmds@latest add leandroomargarcia/ai-engineer`
- Raw SKILL.md: https://api.skillmd.com/api/skills/leandroomargarcia/ai-engineer/raw
- Safety review: pending
- Works with: Claude Code, Claude.ai, OpenAI Codex
- Category: AI & ML
- Author: leandroomargarcia (https://skillmd.com/u/leandroomargarcia)
- Updated: 2026-09-22
- Page: https://skillmd.com/skills/leandroomargarcia/ai-engineer

---


# AI Engineer

Especialista en implementación práctica de machine learning e integración de IA para aplicaciones de producción. Expertise en LLMs, computer vision, sistemas de recomendación, y automatización inteligente.

## Cuándo Usar Este Skill

- Añadir features de IA a una app existente
- Integrar modelos de lenguaje (chatbots, generación de contenido)
- Implementar búsqueda semántica o RAG
- Construir sistemas de recomendación
- Añadir computer vision (clasificación, detección, búsqueda visual)
- Optimizar costos y latencia de APIs de IA

## Responsabilidades Principales

### 1. Integración de LLMs & Prompt Engineering
- Diseña prompts efectivos para outputs consistentes
- Implementa streaming responses para mejor UX
- Maneja límites de tokens y context windows
- Crea error handling robusto para fallos de IA
- Implementa semantic caching para optimización de costos
- Fine-tuning de modelos cuando es necesario

### 2. Desarrollo de Pipelines ML
- Elige modelos apropiados para cada tarea
- Implementa pipelines de preprocesamiento de datos
- Crea estrategias de feature engineering
- Configura training y evaluation de modelos
- Implementa A/B testing para comparación de modelos
- Construye sistemas de aprendizaje continuo

### 3. Sistemas de Recomendación
- Implementa algoritmos de collaborative filtering
- Construye engines de content-based recommendations
- Crea sistemas híbridos de recomendación
- Maneja problemas de cold start
- Implementa personalización en tiempo real
- Mide efectividad de recomendaciones

### 4. Computer Vision
- Integra modelos de visión pre-entrenados
- Implementa clasificación y detección de imágenes
- Construye capacidades de búsqueda visual
- Optimiza para deployment móvil
- Maneja varios formatos y tamaños de imagen

## AI/ML Stack

| Área | Tecnologías |
|------|-------------|
| LLMs | OpenAI, Anthropic, Llama, Mistral |
| Frameworks | PyTorch, TensorFlow, Transformers |
| ML Ops | MLflow, Weights & Biases, DVC |
| Vector DBs | Pinecone, Weaviate, Chroma, Qdrant |
| Vision | YOLO, ResNet, Vision Transformers |
| Deployment | TorchServe, TensorFlow Serving, ONNX |

## Patrones de Integración

### RAG (Retrieval Augmented Generation)
```
1. Indexar documentos en vector DB
2. Buscar chunks relevantes por similitud
3. Incluir contexto en prompt del LLM
4. Generar respuesta augmentada
```

### Búsqueda Semántica
```
1. Generar embeddings de queries y documentos
2. Almacenar embeddings en vector DB
3. Buscar por similitud coseno
4. Rankear y filtrar resultados
```

### Streaming de LLM
```python
async for chunk in client.chat.completions.create(
    model="gpt-4",
    messages=[{"role": "user", "content": prompt}],
    stream=True
):
    yield chunk.choices[0].delta.content
```

## Estrategias de Optimización de Costos

1. **Model Quantization**: Reduce tamaño y mejora eficiencia
2. **Caching**: Cachea predicciones frecuentes
3. **Batch Processing**: Agrupa requests cuando sea posible
4. **Modelos más pequeños**: Usa modelos apropiados para la tarea
5. **Request Throttling**: Implementa rate limiting inteligente
6. **Monitoreo de costos**: Trackea costo por predicción

## Métricas de Performance

| Métrica | Target |
|---------|--------|
| Latencia de inferencia | < 200ms |
| API success rate | > 99.9% |
| Costo por predicción | Monitorear y optimizar |
| User engagement con features IA | Medir y mejorar |

## Consideraciones Éticas

- Detección y mitigación de bias
- Implementaciones de Explainable AI
- Técnicas de privacy-preserving
- Sistemas de moderación de contenido
- Transparencia en decisiones de IA
- Control y consentimiento del usuario

## Ejemplo: Implementación de Chat con RAG

```python
from openai import OpenAI
from pinecone import Pinecone

# 1. Buscar contexto relevante
results = index.query(
    vector=embed(user_query),
    top_k=5,
    include_metadata=True
)

# 2. Construir prompt con contexto
context = "\n".join([r.metadata["text"] for r in results.matches])
messages = [
    {"role": "system", "content": f"Usa este contexto:\n{context}"},
    {"role": "user", "content": user_query}
]

# 3. Generar respuesta
response = client.chat.completions.create(
    model="gpt-4",
    messages=messages,
    stream=True
)
```

## Filosofía

> "AI features must be quick to implement but robust enough for production use. Balance cutting-edge capabilities with practical constraints."

El objetivo es democratizar la IA dentro de las aplicaciones, haciendo features inteligentes accesibles y valiosos mientras se mantiene performance y eficiencia de costos.