Career RAG
Creador · Backend
Convertí mi historial profesional disperso en una memoria privada que cualquier asistente de IA puede consultar y actualizar por MCP.
Stack
MCP, Supabase, pgvector, PostgreSQL, OAuth 2.1, RAG
Enlaces
Resumen
Los CV y los perfiles de LinkedIn pierden detalle. La experiencia multidisciplinar (backend, arquitectura, liderazgo, mentoría) no encaja bien en un título de puesto, y cada vez que escribía un CV, una carta de presentación o preparaba una entrevista tenía que reconstruir ese contexto de memoria.
Career RAG es un servidor MCP remoto que guarda mi experiencia como empresas, roles, proyectos, evidencias concretas y skills. Claude, ChatGPT, Codex o cualquier otro cliente MCP puede buscar en él, añadir información y contrastar una oferta de trabajo, con respuestas basadas en lo que realmente hice.
Un backend determinista, a propósito
El LLM del cliente es quien piensa: entiende lo que digo en cualquier idioma, lo estructura y escribe una capa en inglés para la búsqueda. El servidor nunca genera texto. Valida, guarda, indexa y recupera, así que no puede inventarse experiencia.
Cada registro tiene dos capas: campos en inglés optimizados para la búsqueda semántica y mi redacción original, tal cual. Las inferencias se guardan como inferidas, con una explicación, y nunca pasan a ser hechos sin avisar.
Mi contribución
- Diseñé el modelo de datos, con proyectos y evidencias como unidad de recuperación en lugar de los títulos de puesto.
- Construí la búsqueda híbrida en SQL: búsqueda semántica con pgvector, full-text de Postgres y coincidencia exacta de skills, combinadas con Reciprocal Rank Fusion.
- Implementé un flujo de ingesta borrador → confirmación, para que cada cambio se revise antes de guardarse y conserve su procedencia.
- Lo publiqué como servidor MCP remoto en Supabase Edge Functions, protegido con OAuth 2.1 y row-level security.
- Añadí un matching heurístico de requisitos de ofertas que indica cobertura y carencias junto con las evidencias que lo respaldan.
Qué demuestra
Este proyecto muestra cómo abordo los sistemas de IA: poner el LLM donde aporta valor, mantener el backend determinista y auditable, y diseñar la recuperación en torno a las preguntas que la gente hace de verdad. Es RAG, modelado de datos y autenticación aplicados a un problema que tenía yo mismo.
Stack
- Supabase: Postgres, pgvector, full-text search, Edge Functions y Auth (OAuth 2.1 + DCR)
- Embeddings integrados
gte-small, sin APIs de IA externas - Model Context Protocol (Streamable HTTP)