Engineering at Darwin
Nous construisons des systèmes où la correctness compte
Darwin est une plateforme de traçabilité et de conformité pour les chaînes d'approvisionnement régulées. Ici on partage comment on la construit — architecture, décisions techniques, et apprentissages de production en IA, blockchain et data engineering.
Principes
Comment nous construisons
Ingénierie opinionated pour environnements régulés avec des enjeux réels.
Correctness over speed
Quand une décision affecte la conformité réglementaire, se tromper vite n'est pas une option. Guardrails d'abord, performance après.
Hybrid retrieval
Le vector-only ne passe pas à l'échelle pour des domaines avec données structurées + non-structurées. Nous utilisons des query planners qui décident la stratégie par question.
Observability dès le premier jour
Chaque query, chaque appel LLM, chaque événement on-chain a un tracing end-to-end avec OpenTelemetry. Sans observabilité, pas de production.
AI-augmented, human-in-the-loop
LLMs pour raisonner sur le contexte ; règles déterministes pour valider les résultats. La combinaison bat chaque approche isolée.
On-chain pour l'intégrité, off-chain pour la performance
Blockchain seulement pour des attestations critiques (identity, audit events). Le reste vit dans des systèmes optimisés pour l'accès rapide.
Build for portability
Provider abstraction (YAML-config) pour swap de LLMs sans refactor. Nous évitons le vendor lock-in dans les couches IA et data.
Stack
Technologies que nous utilisons
Choix informés — pas tendance, mais battle-tested dans les domaines qui nous importent.
IA / Orchestration
LangGraph pour workflows agentic, Python/FastAPI backend, Cursor + Claude Code comme daily drivers.
Data / Retrieval
Qdrant pour vector search, PostgreSQL relationnel, Firebase pour state, Cloud Storage pour blobs.
Blockchain
Polygon PoS + OP Stack L2, 12 smart contracts en Solidity (identity, governance, DID registry, NFT inventory).
Cloud / Infra
GKE sur GCP, Pub/Sub event-driven, Terraform IaC, CI/CD avec GitHub Actions.
Frontend
React (Next.js) pour le web, React Native pour mobile offline-first (Captia).
Observabilité
OpenTelemetry full-stack, structured logging, tracing d'appels LLM, metrics + dashboards.
Articles
Deep-dives techniques
Apprentissages de production — architecture, tradeoffs, ce qui a marché et ce qui n'a pas.
RAG sur 10+ bases de données : ce que la production nous a appris
Pourquoi RAG vector-only ne passe pas à l'échelle en conformité, comment nous avons conçu du retrieval hybride sur plusieurs stores, et les décisions architecturales qui ont fonctionné en production.
Par Hernán Pérez Rodal
Pourquoi nous avons mis la traçabilité on-chain : FSMA 204 compliance au niveau protocole
La plupart des plateformes de traçabilité utilisent la blockchain comme marketing. Nous racontons comment et pourquoi chez Darwin nous l'utilisons au niveau architectural — et quand ça n'a PAS de sens.
Par Hernán Pérez Rodal
Agentic Compliance System avec LangGraph : patterns qui fonctionnent en production
Tous les multi-agent patterns ne survivent pas aux domaines régulés. Nous partageons l'architecture d'agents que nous utilisons chez Darwin, pourquoi, et quels anti-patterns nous évitons.
Par Hernán Pérez Rodal
AI anomaly detection sur événements de traçabilité : de la détection au yield optimization
Détecter des anomalies, c'est 20 % du problème. Les 80 % restants consistent à convertir des alertes en économies réelles de production. Nous racontons comment nous résolvons ça chez Darwin — avec des modèles simples qui font bouger l'aiguille.
Par Hernán Pérez Rodal
Architecture offline-first : capture de données en zones rurales avec connectivité intermittente
En Amérique latine, le premier maillon productif a souvent du signal 3G ou pire. Nous racontons comment nous avons conçu Captia pour fonctionner sans connexion — et quels tradeoffs nous avons acceptés avec l'eventual consistency.
Par Hernán Pérez Rodal
LLM evaluation dans les domaines régulés : au-delà de l'accuracy
Quand une réponse incorrecte de votre LLM impacte un audit FDA, l'accuracy ne suffit pas. Nous racontons comment nous évaluons les LLMs et agents chez Darwin — golden sets, LLM-as-judge, regression detection et guardrails numériques.
Par Hernán Pérez Rodal
Vous construisez quelque chose de similaire ?
Nous aimons partager l'architecture et apprendre d'autres cas. Si vous avez un défi technique qui croise les nôtres — parlons-en.