Gonzalo Martin PerezAI Engineer | Software Engineer | Product Engineer

Caso de estudio · Proyecto para cliente

Pequeverso: una tienda con asistente de compras con IA

Una tienda en Next.js de recursos educativos imprimibles, un back office privado y un asistente de compras con IA que responde a partir del propio catálogo de la tienda.

  • Next.js
  • React
  • TypeScript
  • Python
  • FastAPI
  • LangGraph
  • GraphRAG
  • PostgreSQL
  • pgvector
  • Neo4j
  • OpenAI API
  • Meta Pixel
  • Docker
  • Hostinger
  • 3

    repositorios públicos

    Tienda, back office y API del asistente, cada uno con su propia CI.

  • 288

    casos de evaluación escritos a mano

    18 familias de intención que recorren todo el camino HTTP/SSE en CI con un modelo de prueba; validan el pipeline y los controles, no la calidad del modelo.

  • 303

    turnos con el modelo real

    Una ejecución de evaluación sobre una versión anterior del asistente, antes del lanzamiento.

  • USD 10

    tope mensual de gasto en LLM

    Valor configurable, reservado de forma atómica antes de cada llamada al modelo.

Trabajo independiente para un cliente. Desarrollé la tienda, el back office y la API del asistente; la marca, los productos y la decisión de lanzar el asistente son del cliente.

Tres aplicaciones para una tienda pequeña

Pequeverso vende recursos educativos imprimibles para familias con niños de 3 a 7 años. Desarrollé su tienda pública, un back office privado y un asistente de compras con IA que responde las preguntas de los compradores sobre el catálogo.

Hotmart se encarga del pago, la entrega y los reembolsos, así que la tienda puede concentrarse en explicar bien los productos y llevar a los compradores al checkout.

El problema

Los compradores tienen preguntas antes de pagar: qué incluye el kit, para qué edades sirve, cómo funciona la garantía. Un chatbot genérico puede inventar un precio, un descuento o un enlace, y en una tienda una respuesta equivocada es peor que ninguna.

Además, la tienda tenía que informar compras e intención de compra a Meta para la publicidad, y el asistente tenía que mantenerse dentro de un presupuesto mensual pequeño y fijo.

Qué desarrollé

La tienda: Next.js con checkout de Hotmart, Meta Pixel en el navegador y un relay de la Conversions API en el servidor, más una verificación automática después de cada publicación que confirma que producción sirve el commit integrado.

El back office: una app privada con inicio de sesión OAuth, roles solo por invitación y un panel de operaciones con la salud del asistente, la vigencia del catálogo, las ejecuciones, la latencia, los tokens y el gasto.

El asistente: GraphRAG sobre LangGraph que combina recuperación léxica, con pgvector y con Neo4j sobre el catálogo de la tienda. El servidor valida cada producto, precio y enlace antes de que llegue al comprador, y aplica un tope de gasto mensual antes de cada llamada al modelo.

Arquitectura

Tres aplicaciones, desde el navegador del comprador hasta el back office privado.

  1. TiendaNext.js, React y TypeScript. Páginas de producto, checkout de Hotmart y un panel nativo del asistente que permanece apagado hasta el lanzamiento.
  2. MediciónMeta Pixel en el navegador, replicado por un relay de la Conversions API en el mismo origen con los mismos IDs de evento.
  3. API del asistentePython y FastAPI. Sesiones con protección CSRF, respuestas transmitidas por SSE y un contrato HTTP versionado.
  4. RecuperaciónUn flujo acotado en LangGraph con recuperación léxica, pgvector y Neo4j, sobre un catálogo exportado desde la tienda.
  5. ControlesValidación en el servidor de productos, precios y enlaces, más reservas de presupuesto contra el tope mensual.
  6. Back officeNext.js con inicio de sesión OAuth y roles en PostgreSQL; lee los datos de operaciones de la API desde el servidor.

Decisiones de ingeniería

Precios y enlaces salen del catálogo

El catálogo se exporta desde la tienda en un commit fijo. La API verifica cada producto, precio y enlace antes de mostrarlo, y oculta un precio vencido en lugar de adivinarlo.

Un tope de gasto en cada solicitud

Antes de cada llamada al modelo, la API reserva el costo máximo posible contra el presupuesto mensual, así las solicitudes concurrentes no pueden superarlo. El tope predeterminado es de USD 10 al mes.

Evaluado antes del lanzamiento

288 casos escritos a mano en 18 familias de intención recorren todo el camino HTTP/SSE en CI. Una versión anterior también se evaluó en una ejecución de 303 turnos con el modelo real.

Las operaciones son privadas

El back office es una app separada. Solo pueden entrar el propietario y las personas invitadas, y lee desde el servidor datos de operaciones sin contenido de conversaciones, nunca desde el navegador.

Explora el producto

Capturas reales de los repositorios públicos: la tienda, el asistente ejecutándose en local con un modelo de prueba y el back office con datos sintéticos. Amplía una pantalla para ver el detalle.

Estado actual

La tienda está en línea en pequeverso.com, y cada publicación a producción se verifica automáticamente después del despliegue.

El asistente está implementado y evaluado, pero todavía no se lanzó. Sigue desactivado en la tienda publicada hasta que su servidor esté desplegado y se apruebe el lanzamiento.

Evidencia

Los tres repositorios son públicos. La aplicación del back office es privada y sus capturas usan datos sintéticos.