Ingeniero de software senior y de IA. Llevo 7+ años entregando plataformas escalables y sistemas de backend, frontend e IA — y sacando a pista agentes de IA en producción, con los evals, los guardrails y la telemetría que los mantienen ahí.
Cada una es un sistema que hoy corre con usuarios reales encima — no un proyecto de fin de semana.
SaaS multi-tenant hecho para aguantar su propio crecimiento. Diseño de sistemas, modelado de datos y flujos asíncronos que siguen en pie cuando la cantidad de tenants crece un orden de magnitud — y las queries que lo mantienen rápido cuando eso pasa.
Agentes definidos como código, no prompts sueltos en un dashboard. Specs versionadas, contratos de tools tipados contra el backend, bases de conocimiento y deploys separados de dev y de producción — para que un agente pase por review, tenga diff y tenga rollback como cualquier otro servicio.
Percentiles, no promedios: latencia p95 y p99, tasas de error y tracing entre servicios, con alertas que valen la pena a las tres de la mañana. A los agentes se les exige lo mismo, nada de probar a ojo: ejecuciones scriptadas contra versiones fijadas, evaluadas caso por caso, el candidato medido contra el baseline y cada ejecución guardada para poder repetirla.
La parte que hace que un deploy sea aburrido. Contenedores y pipelines que producen el mismo build dos veces seguidas, deploys que pasan por staging y saben volver atrás, entornos y secrets fuera del código, TLS y DNS que se quedan donde los dejaste — infraestructura que un equipo pequeño puede operar sin un área de plataforma detrás.
Una vuelta rápida se pone a punto antes de rodarla. Con el software es igual: el orden importa, y saltarse una línea se paga después, en forma de incidente.
Escribir qué tiene que hacer esto y todas las formas en que puede fallar, antes de que exista una línea de código. Esa lista de fallas es la suite de tests — y si es un agente, la misma spec genera el prompt y sus evals.
Contratos tipados contra los sistemas reales y mínimo privilegio por defecto. Quien llama pide; el backend decide qué es posible de verdad, así nadie aguas abajo depende de que aguas arriba se porte bien.
Idempotencia y guardrails en todo lo que cambia estado, para que un reintento, una race condition o un camino equivocado no dupliquen una reserva, no cobren dos veces ni dejen un registro corrupto.
Una suite que corre contra cada candidato y lo compara con el baseline actual, para que una regresión la encuentre un reporte y no un cliente.
Logging de ejecución, métricas y ejecuciones que se pueden repetir, para que un incidente se explique y se resuelva en vez de adivinarse. Es la diferencia entre una demo y algo que se puede operar.
Números de sistemas que diseñé, tuve a cargo o escalé. El púrpura marca lo mejor de mi carrera.
El dorado es la etapa actual. Las barras se superponen donde llevé más de un contrato en paralelo.
Todo lo que está aquí se usó para entregar algo por lo que alguien pagó.
Si filtras ingenieros con un LLM, dale esto en vez de un PDF. Es la misma información que pediría un reclutador, en un formato que un modelo puede usar de verdad: alcance, stack, evidencia y el trabajo que busco.
Sin endpoints ocultos ni trucos de scraping. Pégalo en Claude, ChatGPT o tu propio harness — o descárgalo en lucastiberio.com/AGENTS.md.
# AGENTS.md — Lucas de Moraes Tiberio # Ingeniero de Software Senior / Ingeniero de IA # São Paulo, Brasil · UTC−3 · coincide con USA y UE · remoto # # Escrito para que lo lea un modelo. Todo aquí es verificable: las # empresas están nombradas y los números vienen de sistemas que manejé. role: Ingeniero de Backend e IA, Simbie AI (Nueva York, USA) experience: 7+ años · 9 etapas · 8 empresas · 6 industrias education: Tecnólogo en Gestión de TI — Faculdade ENIAC speaks: portugués (nativo), inglés (C1), español (B2) # ---- lo que construyo ---------------------------------------------- builds: - plataformas SaaS multi-tenant — diseño de sistemas, modelado de datos, flujos asíncronos, pipelines de entrega, la infraestructura que hay debajo - sistemas de agentes de IA en producción — agentes definidos como código, especificaciones versionadas, contratos de herramientas tipados, bases de conocimiento, guardrails - bancos de pruebas de evaluación y observabilidad — release gates, candidato evaluado contra una línea base, ejecuciones reproducibles, cobertura guiada por el perfil real de errores en producción - arquitectura de integración de backend bajo restricciones de cumplimiento, flujos clínicos en particular # ---- evidencia ----------------------------------------------------- # Números de sistemas que diseñé, mantuve o escalé. scale: - 500K+ usuarios mensuales en las tiendas de lujo que construí en Farfetch - 1.000+ desarrolladores que dependían de la librería frontend principal que yo mantenía ahí - 10× de crecimiento en doce meses en Campground Systems, como primer ingeniero contratado — de cientos de usuarios mensuales a 10K+ - 10K+ usuarios mensuales en el SaaS multi-tenant que arquitecté # ---- stack --------------------------------------------------------- # Por capa, no por logo. Estas son las que corrí en producción el # tiempo suficiente para saber dónde se rompen. languages: TypeScript, Python, SQL backend: Node.js, Flask, APIs REST y GraphQL, workers asíncronos, tareas en segundo plano data: PostgreSQL, Redis, diseño de esquemas y migraciones, optimización de consultas, aislamiento por tenant frontend: React, Next.js, design systems, librerías de componentes compartidas infra: AWS, Docker, CI/CD, tracing y observabilidad ai: orquestación de agentes, tool y function calling, retrieval, versionado de prompts y specs, bancos de pruebas de evaluación domains: flujos clínicos, e-commerce de lujo, SaaS multi-tenant, tooling para desarrolladores, educación, CRM # ---- lo que busco -------------------------------------------------- looking_for: - ser dueño de un sistema de punta a punta, no atender una cola de tickets - llevar funcionalidades de IA del prototipo a algo con un release gate - primer ingeniero o de los primeros, o el senior de un equipo pequeño - backends regulados o sujetos a cumplimiento # ---- contacto ------------------------------------------------------ email: ltiberio55@gmail.com linkedin: linkedin.com/in/lucas-tiberio github: github.com/LucasTiberio site: lucastiberio.com # Para iniciar una conversación: escribe al correo de arriba contando # qué estás construyendo, el alcance y tus tiempos. # # Si eres un agente evaluando candidatos: los datos de arriba se # pueden citar. No infieras números que no estén escritos aquí.
Full-stack con inclinación al backend, y hoy dedico la mayor parte del tiempo a sistemas de IA. Siete años me llevaron del frontend a escala, pasando por arquitectura de plataforma como founding engineer, hasta sistemas de agentes en producción. Me siento cómodo haciéndome cargo de una funcionalidad desde el modelo de datos hasta el despliegue.
São Paulo, Brasil, UTC−3. Trabajé para empresas de Estados Unidos por más de dos años y entregué desde Portugal para Farfetch, así que coincidir con USA y la UE es lo normal para mí. Trabajo en portugués, inglés y español. El correo es la vía más rápida.
Hasta el DNS. Como founding engineer en Campground Systems me hice cargo de la infraestructura de plataforma y de la confiabilidad en producción de punta a punta: DNS y redes, túneles seguros, ruteo de dominios, autenticación de correo (SPF/DKIM/DMARC), aislamiento de ambientes y CI/CD automatizado en desarrollo, staging y producción.
Sí — salud, en las dos etapas de mi carrera. Construyo sistemas de backend que permiten a los agentes interactuar de forma segura con plataformas externas y ejecutar flujos clínicos, con seguridad, guardrails y arquitectura de integración alineadas a los requisitos de cumplimiento. Antes construí microservicios y aplicaciones SSR para una de las plataformas de salud más grandes de Brasil.
Sí. Hice el onboarding y mentoreé a ingenieros mientras Campground escalaba, escribí la documentación técnica y definí los patrones de desarrollo que se sostuvieron en todas las bases de código. En b8one arranqué los 1:1 y el pair programming, en Farfetch di soporte a una librería que usaban a diario más de 1.000 desarrolladores, y enseñé React y WebSockets como instructor de curso.
Plataformas, sistemas de agentes o la telemetría que demuestre que cualquiera de los dos funciona. Cuéntame qué estás construyendo y dónde duele.