Joan Pellegrino
$ status --liveDisponible para nuevos proyectos

Joan Pellegrino

AI Engineer &Forward Deployed Engineer

Transformando integraciones complejas en productos de IA escalables.

Sistemas Multi-Agente (Google ADK, LangGraph) · Integraciones FinTech & Data Pipelines

Explorar ProyectosDescargar CV
GitHubLinkedInEmail

Haz una pregunta

Pregúntale por mis proyectos, stack o experiencia

Toca para hablar

Prueba diciendo: “¿Qué experiencia tienes con sistemas LLM?”

Este sitio no guarda tu audio. Tu voz se procesa en tiempo real con Google Gemini. Se registran métricas básicas de sesión.

AGENTES / LLMGoogle ADK · LangGraph · Gemini
CLOUDAWS · GCP
CÓDIGOPython

$ ls ./proyectos

Proyectos Destacados y Arquitectura

Sistemas de IA y datos, cada uno con su arquitectura.

System Architecture

flowchart TD
User["User Events (Slack / Zendesk / CLI)"] --> Router

subgraph EKS["Agent Services on AWS EKS"]
    Router["AgentRouter (gemini-2.0-flash)"]
    Router -->|"DATA_QUERY"| SQL["JobsSQLAgent"]
    Router -->|"DOCUMENTATION"| Docs["DocsRAGAgent"]
    Router -->|"DIAGNOSTIC"| Diag["SupportDiagAgent"]
    Router -->|"REEXECUTION"| Reexec["ReexecutionAgent"]
end

SQL --> DB[("PostgreSQL via MCP")]
Docs --> KB["Markdown Knowledge Base"]
Diag --> DB
Diag --> CW[("AWS CloudWatch Logs")]
EKS -.-> DDB[("DynamoDB (State & Memory)")]

Reexec --> API[("Backend API")]
API --> Batch[("AWS Batch")]

classDef default fill:#0f172a,stroke:#a855f7,stroke-width:1px,color:#e2e8f0
classDef router fill:#881337,stroke:#f43f5e,stroke-width:1px,color:#fecdd3
classDef specialist fill:#1e1b4b,stroke:#818cf8,stroke-width:1px,color:#e0e7ff
classDef storage fill:#022c22,stroke:#10b981,stroke-width:1px,color:#d1fae5

class Router router
class SQL,Docs,Diag,Reexec specialist
class DB,CW,API,Batch,KB,DDB storage

Multi-Agent Router & Specialists Pattern

The system relies on a scalable Router + Specialists design deployed on AWS EKS. A central Custom Agent (Router) leverages LLMs to classify the intent of an incoming event (e.g., from a Support Ticketing System or Chat interface) and securely delegates execution to specialized downstream agents. All specialists share the same isolated session context and memory backend.

Data Query Agent

Resolves operational queries on relational databases securely via an isolated MCP Toolbox using curated SQL toolsets.

Documentation RAG Agent

Executes full-context document analysis over Markdown knowledge bases, ensuring exact requirement extraction without the fuzziness of vector search.

Diagnostic Agent

Analyzes errors and actively troubleshoots pipeline failures by querying Cloud Execution Logs and relational metadata.

Re-execution Agent

An orchestrator agent that digests ticketing events, validates requirements, triggers jobs via backend API (running on AWS Batch), and safely updates the ticket status upon completion.

State & Persistence Layer

Chat sessions and state transitions are robustly maintained using DynamoDB with automated TTL policies, persisting session memory and execution traces reliably.

VOZ EN TIEMPO REAL
Live demo

Agente de Voz para Portafolio

Agente de voz conversacional en tiempo real integrado en este sitio. Los visitantes pueden hablar con una IA impulsada por Google Gemini Live API sobre WebSockets y tokens efímeros seguros que responde preguntas sobre mis proyectos, stack y experiencia.

Gemini Live APIWeb Audio APIWebSocketsAstro
RESULTADO

En vivo en este sitio: habla con él desde el orbe del inicio · +260 sesiones reales

PruébaloVer arquitectura
HERRAMIENTA AGÉNTICA · CLI
Privado

Plugin Smart-Parser para Claude

Motor agéntico declarativo para Claude Code CLI con skills especializados en Python que acelera el onboarding de datos sintetizando parsers bancarios y conectores ETL, auditando seguridad/esquemas y automatizando Pull Requests en Git.

Claude APIPythonSkills AgénticosParser ASTAutomatización Git
RESULTADO

Reducción drástica del time-to-value en onboarding de clientes y PRs en Git

System Architecture

flowchart LR
A["Claude Code CLI"] -->|"Loads via Settings"| B("Local Plugin Marketplace")
B --> C{"Agentic Skills Layer"}
C -->|"new-script"| D["Code Generation Engine"]
C -->|"validate"| E["Automated Reviewer"]
C -->|"git-deliver"| F["Workflow Automation"]
D --> G[("Internal Enterprise Repo")]
E --> G
F --> H["Enterprise Git Provider"]

classDef default fill:#0f172a,stroke:#a855f7,stroke-width:1px,color:#e2e8f0
classDef core fill:#881337,stroke:#f43f5e,stroke-width:1px,color:#fecdd3
classDef base fill:#022c22,stroke:#10b981,stroke-width:1px,color:#d1fae5

class C core
class G,H base

LLM Developer Tools Architecture

This project extends the LLM CLI capabilities via a custom local marketplace plugin. It embeds domain-specific intelligence for an Enterprise ETL Engine, enabling the agent to autonomously navigate complex internal contracts, generate specialized data parsers, and execute standard code delivery workflows.

Code Generation

Synthesizes atomic data transformations, API managers, and complex parsers adhering strictly to internal codebase standards and templates.

Automated Review

Proactively inspects existing ETL scripts, flagging critical security or structural deviations with categorized severity levels.

Workflow Automation

Manages the end-to-end Git lifecycle, discovering local repositories, creating conventional feature branches, and submitting templated Pull Requests.

Skill Implementation

The plugin is built using a highly structured declarative format with metadata routing. Each capability is isolated in its own skill module backed by prompt engineering techniques that inject dynamic reference documentation into the LLM context.

ARQUITECTURA CLOUD
Privado

Motor Distribuido de Ingesta con APIs y S3

Arquitectura ETL y de ingesta de alto rendimiento conectando fuentes financieras heterogéneas (APIs REST de pagos, SFTP, AWS S3, GCS) hacia Snowflake, BigQuery y PostgreSQL con pipelines serverless tolerantes a fallos y SQS DLQ.

PythonPandasREST APIsAWS S3AWS LambdaPostgreSQLSnowflake
RESULTADO

Millones de transacciones financieras diarias con 99.9% de disponibilidad (SLA)

System Architecture

flowchart TD
    subgraph Sources["Heterogeneous Data Sources"]
        API["RESTful APIs / Webhooks"]
        SFTP["SFTP Server"]
        ExtS3["External S3 / GCS"]
    end

    subgraph Ingestion["Ingestion & Buffer"]
        LambdaIngest["Ingestion Lambda Worker"]
        RawS3[("AWS S3 Raw Lake (Bronze)")]
    end

    subgraph Processing["Serverless Transformation"]
        ETLLambda["Transform Lambda (Pandas Engine)"]
        DLQ[("Amazon SQS (DLQ)")]
    end

    subgraph Destinations["Dual Analytical Storage"]
        Snowflake[("Snowflake Data Warehouse")]
        Postgres[("PostgreSQL Operational DB")]
    end

    API --> LambdaIngest
    SFTP --> LambdaIngest
    ExtS3 --> LambdaIngest

    LambdaIngest --> RawS3
    RawS3 --> ETLLambda

    ETLLambda -->|"Schema Deviation / Error"| DLQ
    ETLLambda -->|"Parquet Curated Batches"| Snowflake
    ETLLambda -->|"Relational Operational Data"| Postgres

    classDef default fill:#0f172a,stroke:#a855f7,stroke-width:1px,color:#e2e8f0
    classDef source fill:#1e1b4b,stroke:#818cf8,stroke-width:1px,color:#e0e7ff
    classDef worker fill:#881337,stroke:#f43f5e,stroke-width:1px,color:#fecdd3
    classDef storage fill:#022c22,stroke:#10b981,stroke-width:1px,color:#d1fae5
    classDef alert fill:#450a0a,stroke:#ef4444,stroke-width:1px,color:#fee2e2

    class API,SFTP,ExtS3 source
    class LambdaIngest,ETLLambda worker
    class RawS3,Snowflake,Postgres storage
    class DLQ alert

Distributed Ingestion & ETL Engine Architecture

High-throughput, event-driven data pipeline designed to ingest, validate, and normalize records from disparate enterprise channels. Operates with an isolated buffer layer in AWS S3 and an automated schema enforcement engine to stream structured datasets directly into analytical warehouses and transactional stores.

Heterogeneous Ingestion

Orchestrates automated connectors across RESTful APIs, SFTP endpoints, and third-party cloud buckets, validating payload headers and raw checksums.

Serverless Transformation

Vectorized Pandas data transformations running in AWS Lambda, executing schema type coercions, deduplication, and snappy Parquet compression.

Dual Storage Engine

Concurrent multi-sink delivery feeding Snowflake for petabyte-scale analytics and PostgreSQL for low-latency operational reporting.

Fault Tolerance & Dead-Letter Queue (DLQ)

Any structural deviation or transient connection timeout triggers automated exponential backoff. Irrecoverable payloads are routed to an isolated Amazon SQS Dead-Letter Queue accompanied by CloudWatch alerts, guaranteeing zero data loss and straightforward replayability.

Tecnologías y trayectoria profesional

Stack & Experiencia

01.Ingeniería AI & GenAI

11 tools
Google ADKLangGraphLangChainMCP (Model Context Protocol)Multi-Agent OrchestrationRAGText-to-SQLGemini APIAnthropic Claude APIOpenAI APIVector Databases

02.Cloud e Infraestructura

10 tools
AWS EKSAWS LambdaAWS BatchAmazon CloudWatchDynamoDBAmazon S3Amazon SQS (DLQ)API GatewayGCP (BigQuery, GCS)Serverless & Event-Driven

03.Datos y Lenguajes

10 tools
PythonPySparkApache KafkaSQLPostgreSQLSnowflakeBigQueryETL/ELT PipelinesRESTful APIsFinancial Formats (MT940, Parquet)

04.Herramientas & DevOps

7 tools
GitDockerCI/CDAWS GlueSFTPAstroTailwind CSS

Senior AI & Integrations Engineer

Simetrik

commit 2020..Sep 2026

Operé en la intersección de AI Engineering, Integraciones Forward Deployed y Producto — liderando Sistemas Multi-Agente, RAG, Text-to-SQL con MCP y pipelines financieros de alta escala:

  • Diseñé y desplegué un sistema multi-agente con estado (stateful) en AWS EKS utilizando Google ADK y LangGraph (patrón Router + Especialistas) para resolver autónomamente consultas operativas, diagnosticar logs en CloudWatch y orquestar re-ejecuciones en AWS Batch con memoria persistente en DynamoDB.
  • Construí un agente conversacional Text-to-SQL conectado a PostgreSQL mediante MCP (Model Context Protocol), implementando validación estricta de esquemas, controles de seguridad de solo lectura (read-only) y explicaciones contextuales para equipos de negocio.
  • Desarrollé un pipeline de extracción semántica y RAG sobre documentación técnica y contratos no estructurados, permitiendo a equipos no técnicos consultar bases de conocimiento en lenguaje natural y reduciendo la dependencia operativa de especialistas.
  • Creé el Smart-Parser Claude Plugin con skills agénticos en Python para generar, validar y auditar automáticamente parsers de datos y scripts ETL complejos, acelerando el ciclo de entrega e integración en Git.
  • Arquitecté e implementé pipelines empresariales ETL/ELT entre APIs REST, SFTP, AWS S3, GCS, BigQuery, PostgreSQL y Snowflake, procesando millones de transacciones financieras diarias con un 99.9% de disponibilidad (SLA).
  • Implementé sincronización asíncrona y tolerante a fallos con Apache Kafka, webhooks, AWS Lambda, API Gateway y Amazon SQS (DLQ), junto con motores de validación en Python y PySpark para conciliar archivos financieros (MT940, PDFs estructurados, CSV y Parquet).
PythonGoogle ADKLangGraphAWS EKSMCPRAGText-to-SQLApache KafkaPySparkSnowflakePostgreSQLDynamoDBAWS Batch
✦ Sobre Mí

Construyo sistemas inteligentes.

AI Engineer & Forward Deployed Engineer con casi 6 años de trayectoria transformando integraciones complejas FinTech y empresariales en productos de IA escalables y pipelines de datos en producción.

Opero en la intersección entre ingeniería profunda y entrega de producto: conectando orquestación multi-agente con núcleos financieros deterministas para que los LLMs generen valor medible de negocio sin margen de error en transacciones críticas:

  • Orquesto sistemas Multi-Agente con estado (Router + Especialistas) utilizando Google ADK y LangGraph sobre AWS EKS y DynamoDB, habilitando autoservicio operativo en Slack y Zendesk.
  • Construyo agentes conversacionales Text-to-SQL conectados a PostgreSQL mediante MCP (Model Context Protocol), aplicando validación estricta con Pydantic y controles de solo lectura para dar autonomía a producto y finanzas.
  • Acelero el onboarding de clientes (time-to-value) desarrollando pipelines RAG, plugins agénticos para Claude Code (Smart-Parser) y productos de voz en tiempo real con Gemini Live API y WebSockets.
  • Cuento con casi 6 años de experiencia en integraciones FinTech e ingeniería de datos en Simetrik, arquitectando pipelines ETL/ELT entre APIs de pagos, Python, PySpark, Snowflake, BigQuery y Kafka — procesando millones de transacciones diarias con un 99.9% de disponibilidad (SLA).
Ver CV

// evolución de ingeniería

Sistemas Empresariales
Integraciones FinTech & APIs
Cloud & Data Pipelines
Sistemas Multi-Agente (ADK, LangGraph)
AI & Forward Deployed Engineering

Anteriormente en

Simetrik

Ubicación

Colombia

Educación

Ingeniería de Sistemas — Universidad de Córdoba

commit 2015..2019

Hackathon

FRONTIER AI Builders Hackathon (Oct 2026) - Reto 'La caja negra', en equipo: reemplazo de un sistema legado que pasó 99 de 100 tests ocultos; puesto 8 de 38 equipos.

"Los sistemas de IA más confiables se construyen sobre bases sólidas de ingeniería — conectados a datos reales, diseñados para producción y fundamentados en los sistemas que automatizan."
Joan Pellegrino · AI Engineer & Forward Deployed Engineer

Conectemos

Contacto

$init --collaborate

Construyamos algo inteligente

Abierto a oportunidades en AI Engineering, Forward Deployed Engineering y Sistemas Multi-Agente.

Conectemos
o encuéntrame en

joanpellegrino04@gmail.com