Engineering at Darwin
Construimos sistemas donde la correctness importa
Darwin es una plataforma de trazabilidad y compliance para cadenas de suministro regulado. Acá contamos cómo la construimos — arquitectura, decisiones técnicas, y aprendizajes de producción en AI, blockchain, y data engineering.
Principios
Cómo construimos
Ingeniería opinionada sobre entornos regulados con stakes reales.
Correctness over speed
Cuando una decisión afecta compliance regulatorio, equivocarse rápido no es una opción. Guardrails primero, performance después.
Hybrid retrieval
Vector-only no escala para dominios con datos estructurados + no-estructurados. Usamos query planners que deciden la estrategia por pregunta.
Observability from day one
Cada query, cada llamada LLM, cada evento on-chain tiene tracing end-to-end con OpenTelemetry. Sin observabilidad, no hay producción.
AI-augmented, human-in-the-loop
LLMs para razonar sobre contexto; reglas deterministas para validar resultados. La combinación beats either approach alone.
On-chain para integridad, off-chain para performance
Blockchain solo para attestations críticas (identity, audit events). El resto vive en sistemas optimizados para acceso rápido.
Build for portability
Provider abstraction (YAML-config) para swap de LLMs sin refactor. Evitamos vendor lock-in en las capas de IA y data.
Stack
Tecnología que usamos
Elecciones informadas — no trendy, pero battle-tested en los dominios que nos importan.
AI / Orchestration
LangGraph para agentic workflows, Python/FastAPI backend, Cursor + Claude Code como daily drivers.
Data / Retrieval
Qdrant para vector search, PostgreSQL relacional, Firebase para state, Cloud Storage para blobs.
Blockchain
Polygon PoS + OP Stack L2, 12 smart contracts en Solidity (identity, governance, DID registry, NFT inventory).
Cloud / Infra
GKE en GCP, Pub/Sub event-driven, Terraform IaC, CI/CD con GitHub Actions.
Frontend
React (Next.js) para web, React Native para mobile offline-first (Captia).
Observabilidad
OpenTelemetry full-stack, structured logging, tracing de LLM calls, metrics + dashboards.
Artículos
Deep-dives técnicos
Aprendizajes de producción — arquitectura, tradeoffs, lo que funcionó y lo que no.
RAG sobre 10+ bases de datos: lo que producción nos enseñó
Por qué RAG vector-only no escala en compliance, cómo diseñamos retrieval híbrido sobre múltiples stores, y las decisiones arquitectónicas que funcionaron en producción.
Por Hernán Pérez Rodal
Por qué pusimos trazabilidad on-chain: FSMA 204 compliance a nivel protocolo
La mayoría de las plataformas de trazabilidad usan blockchain como marketing. Contamos cómo y por qué en Darwin la usamos a nivel arquitectónico — y cuándo NO tiene sentido.
Por Hernán Pérez Rodal
Agentic Compliance System con LangGraph: patterns que funcionan en producción
No todos los multi-agent patterns sirven en dominios regulados. Contamos qué arquitectura de agentes usamos en Darwin, por qué, y qué anti-patterns evitamos.
Por Hernán Pérez Rodal
AI anomaly detection en eventos de trazabilidad: de la detección al yield optimization
Detectar anomalías es el 20% del problema. El otro 80% es convertir alertas en ahorro real de producción. Contamos cómo lo resolvemos en Darwin — con modelos simples que mueven la aguja.
Por Hernán Pérez Rodal
Offline-first architecture: captura de datos en zonas rurales con conectividad intermitente
En América Latina, el primer eslabón productivo suele tener señal 3G o peor. Contamos cómo diseñamos Captia para que funcione sin conexión — y qué tradeoffs asumimos con eventual consistency.
Por Hernán Pérez Rodal
LLM evaluation en dominios regulados: más allá de accuracy
Cuando una respuesta incorrecta de tu LLM impacta una auditoría FDA, accuracy no alcanza. Contamos cómo evaluamos LLMs y agents en Darwin — golden sets, LLM-as-judge, regression detection y guardrails numéricos.
Por Hernán Pérez Rodal
¿Construís algo similar?
Nos interesa compartir arquitectura y aprender de otros casos. Si tenés un desafío técnico que se cruza con los nuestros — hablemos.