Zhao Junquan

Plataforma de herramientas de uso general (AiNative-Tools)

Proyecto principal Iteración continua AI-Native Studio Flujo de trabajo estilo LangChain DEMO

Contexto del proyecto

Para la producción de contenido de comercio electrónico transfronterizo, la adaptación automática de productos, el tratamiento de imágenes y la entrega por lotes, AiNative-Tools integra la recopilación de productos, la orquestación de Prompt, los textos AI, las imágenes de fondo blanco, las imágenes de contexto, el empaquetado por lotes y la observación de la ejecución en una estación local Studio. Sobre contratos de directorio, colas de tareas, manifiestos de plugins y flujos de estado, organiza la selección de productos, su publicación, la generación de recursos y la entrega en un proceso de producción configurable, reanudable y trazable, adecuado para lotes largos con múltiples productos, idiomas y recursos de imagen. Su arquitectura es un LangChain Workflow centrado en el negocio transfronterizo: cada lote avanza mediante entradas estables, orquestación de Prompt, llamadas a modelos, análisis estructurado, herramientas de imagen y herramientas de entrega.

Mi responsabilidad

Me encargo de convertir en producto los procesos de recopilación, adaptación de productos, traducción, generación de imágenes y entrega del comercio electrónico transfronterizo. Dirijo todo el recorrido, desde descomponer los procesos y delimitar herramientas hasta implementar el Studio local. Transformo las tareas repetitivas de los operadores en procesos configurables, trazables y recuperables, y asumo la eficiencia de entrega por lotes, la estabilidad y la capacidad de ampliación.

Solución técnica

Plano de control de tres capas FastAPI + TaskManager + Manifest: las tareas avanzan por lotes desde la recopilación hasta la entrega, con sincronización de estado en tiempo real mediante WebSocket.

El Studio Shell frontend organiza colas de tareas, operaciones por lotes y accesos a herramientas con JS nativo; el backend gestiona los canales native / cloud / ai mediante rutas asíncronas FastAPI.
La capa Manifest explora automáticamente los scripts locales de herramientas SUM y registra el procesamiento, empaquetado y mejora de imágenes como formularios de herramientas configurables.
Proceso principal: entrada URL/Excel de productos → recopilación con Scraper → orquestación con PromptComposer → llamada con AIClient → convergencia con JSON Parser → entrega con Painter/PackTool.
AIClient unifica las diferencias entre protocolos de modelos Gemini / OpenAI-Compatible; Structured Output Parser restringe la salida a un JSON utilizable por las herramientas de imagen posteriores.
Prompt Registry permite sustituir idiomas de mercado, segmentar etapas y empaquetar en formato Sandwich, para que distintos lotes sigan de forma estable el mismo proceso.
Key Pool, las instantáneas de estado y los directorios de lote definen juntos la recuperación para reintentar fallos, completar imágenes o traducciones y volver a empaquetar.

Resultados destacados

Transformé herramientas operativas dispersas en un plano de control Studio visual, basado en colas y recuperable. El sistema completa el recorrido desde URL / Excel de productos hasta la recopilación de textos e imágenes, el análisis AI, el preprocesamiento de fondos blancos, la generación de imágenes de contexto por lotes y la preparación del paquete de entrega. Los contratos de directorio, las instantáneas, la concurrencia de Key Pool y la reproducción de registros refuerzan la estabilidad de los lotes largos. Los directorios actúan como Schema de entrada estable, TaskStateStore propio como Checkpoint y SharedGroupManager como Memory-like State; los scripts de imagen y empaquetado participan como Tool Layer, conservando rutas claras de recuperación para fallos, reintentos, imágenes o traducciones pendientes y reempaquetado.

FastAPI Python 3.12 Pydantic Studio Shell en JS nativo Flujo de estado WebSocket Sistema de plugins Manifest TaskManager multicolas Gemini / OpenAI API Prompt Composer Planificación Key Pool Selenium / Firefox Pillow / OpenCV Ingesta de datos XLSX / CSV Archivo y recuperación de lotes Prompt Registry RunnableSequence Structured Output Parser State Store Memory-like State LangChain

Ver registro de desarrollo

Lite Studio

Cliente de escritorio Mantenimiento continuo

Contexto del proyecto

La complejidad de las llamadas a herramientas de grandes modelos sigue aumentando. Un script Python aislado o un Jupyter Notebook difícilmente soportan flujos AI frecuentes, multirronda y entre herramientas. Frente a scripts provisionales dispersos, el negocio necesita una estación AI local persistente, trazable y ampliable que integre estado de conversaciones, configuración de modelos, compresión de contexto y planificación de plugins en un sistema mantenible a largo plazo.

Mi responsabilidad

Me encargo de convertir Lite Studio, antes una colección dispersa de herramientas AI, en una estación de trabajo de escritorio local. Delimito la gestión de conversaciones, la configuración de modelos, la compresión de contexto, las llamadas a plugins y la exportación. Dirijo la documentación, los contratos de interfaz y los flujos principales para que las futuras iteraciones cuenten con una referencia común, registros trazables y un ritmo de entrega estable.

Solución técnica

pywebview aloja la ventana local; Vue + SQLite + un sistema de plugins forman la estación AI de escritorio.

La capa de escritorio pywebview comparte proceso con el backend Python; el frontend llama a LLMEngine / PluginHost mediante bridge.js y recibe eventos en streaming y estados de plugins.
context_ledger añade resúmenes de conversación como nodos estructurados en lugar de desplazar el historial bruto, dejando una base para comprimir conversaciones largas y comprenderlas como Graph.
bridge.js unifica las respuestas en streaming, las cadenas de pensamiento y los eventos de plugins; el frontend consume siempre un formato estándar de eventos.
El ensamblaje de cinco capas limita la dirección de las dependencias: Storage → Gateway → Engine → PluginHost → Front Bridge, reduciendo el acoplamiento implícito.
SQLite gestiona sessions, messages, presets y context_ledger; los datos locales no dependen de servicios externos.

Resultados destacados

La documentación se convirtió en referencia común del equipo, con 80+ contratos de interfaz API y 12 flujos principales. context_ledger permite ampliar conversaciones muy largas mediante nodos de resumen incremental en lugar de acumular mensajes brutos, pasando del «recorte rígido» a la «compresión estructurada». Sobre esta base se construyó una Web Demo independiente con un sistema visual retro color avena que reproduce plegado lateral, cambio de modelo, visualización de cadenas de pensamiento, archivo de memoria y exportación multiformato, mostrando el producto completo sin iniciar el backend.

Python 3.8+ pywebview SQLite Tailwind / Vue Memory Context Ledger Graph

Ver registro de desarrollo

OpenClaw Sentinel

Multi-Agent MIT License GitHub Repo

Protección de rutas de Agent y orquestación del sub-Agent WebSearch

Contexto del proyecto

En flujos de Agent con múltiples herramientas, dar por defecto todas las herramientas de búsqueda, investigación y ejecución al Agent principal puede provocar llamadas excesivas a API costosas. También mezcla preguntas normales, cambios de código, búsquedas ligeras e investigación profunda en un mismo contexto, desperdiciando recursos, difuminando límites y creando posibles riesgos de seguridad.

Mi responsabilidad

Definí y entregué de forma independiente OpenClaw Sentinel, convirtiendo los problemas de costes de búsqueda, permisos y límites de ejecución en un patrón reutilizable de gobernanza de rutas. Dirigí los límites de comportamiento, las políticas de herramientas, la validación y la publicación abierta, transformando una integración MCP en una solución transferible de gobernanza de herramientas de Agent.

Solución técnica

Enrutamiento de Agent en dos niveles: main Agent realiza búsquedas ligeras y ejecución; web-researcher Sub-Agent se ocupa de la investigación profunda.

main Agent atiende consultas, opera con código, planifica y busca de forma ligera; Sub-Agent solo busca, verifica, razona y resume, sin ejecución local.
Los preset declaran listas de permiso y bloqueo y políticas de llamadas, para evitar que el Agent principal abuse de herramientas de investigación costosas.
Las consultas normales usan por defecto búsquedas ligeras DuckDuckGo; solo la investigación profunda, la verificación multifuente o las decisiones de arquitectura se enrutan a Perplexity MCP.
La solución incluye scripts de validación e instalación y README bilingüe, formando una plantilla transferible de gobernanza de herramientas de Agent.

Resultados destacados

Implementé la separación de costes entre búsquedas ligeras e investigación profunda, la separación de funciones entre Agent ejecutor e investigador y límites de seguridad que evitan incorporar secrets al repositorio, exponer API Key o subir configuraciones reales. El proyecto se publicó con licencia MIT, README bilingüe, archivos preset y scripts de instalación y validación, y sigue evolucionando como preset comunitario del ecosistema OpenClaw.

OpenClaw MCP Sub-Agent Orquestación de Agent Perplexity API DuckDuckGo Enrutamiento de Agent Límites de herramientas

Ver registro de desarrollo

MiMo Vision MCP

Vision Plugin MCP MIT License GitHub Repo

Capa de puente visual MCP para LLM de texto

Contexto del proyecto

Los grandes modelos de texto, como DeepSeek o Qwen, razonan y programan bien, pero carecen de visión. Este proyecto encapsula el modelo visual Xiaomi MiMo v2.5 en un MCP Server estándar, permitiendo al Agent de texto comprender imágenes mediante mimo_image_analyze: el modelo principal piensa y MiMo percibe.

Mi responsabilidad

Diseñé y entregué de forma independiente una solución para completar la visión de los Agent de texto, convirtiendo la comprensión de imágenes de una llamada aislada en una herramienta MCP instalable, configurable y reutilizable. Definí sus casos de uso, límites de llamada, configuración segura y distribución abierta para integrarla de forma estable con OpenClaw, Claude Desktop y Cursor.

Solución técnica

Python MCP SDK encapsulado como MCP Server permite al Agent de texto incorporar visión cuando la necesita.

MCP Server se encarga de declarar el protocolo, registrar herramientas y adaptar el transporte Stdio/SSE.
MiMo API Adapter gestiona la codificación de imágenes de archivos locales/URL, las solicitudes API y la normalización de resultados de texto.
Interfaz de dos parámetros: image_path (obligatorio) + prompt (opcional), compatible con clientes MCP como Claude Desktop, Cursor, Cline y OpenClaw.
La API Key no se incorpora al repositorio; se configura de forma segura mediante variables de entorno.

Resultados destacados

Implementé un puente visual MCP completo en un único server.py, cubriendo la carencia de visión en las herramientas de Agent. Admite depuración mediante capturas, análisis UI, extracción OCR, interpretación de gráficos y análisis documental. Su diseño desacoplado, sustituible y fácil de orquestar mantiene la lógica visual fuera del modelo principal y permite añadirla a demanda. Funciona de forma estable en el entorno OpenClaw Agent.

MCP MiMo v2.5 Vision AI Python LLM de solo texto Análisis de imágenes OCR Herramienta de Agent

Ver registro de desarrollo

QCode Toolkit (códigos QR SVG)

Herramienta íntegramente frontend Un solo archivo, sin compilación Probar en línea

Contexto del proyecto

Como a menudo necesito generar o interpretar códigos QR por lotes y muchas herramientas tienen anuncios, son de pago o dependen de la red, decidí crear una navaja suiza QR íntegramente frontend, sin instalación ni backend.

Mi responsabilidad

Me encargué de la planificación, el diseño de interacción y la entrega de QCode Toolkit, delimitando funciones habituales como generación, personalización, procesamiento por lotes y descarga SVG. Garanticé un flujo completo en el navegador sin backend, cuidando la facilidad de uso, la posibilidad de compartir y el coste de mantenimiento a largo plazo.

Solución técnica

Un único archivo HTML / Vanilla JS / CSS: generación, lectura, personalización y procesamiento por lotes se realizan localmente en el navegador.

La UI gestiona texto, recepción por arrastre, ajustes visuales y vista previa; la capa de lectura integra jsQR para reconocer códigos QR en imágenes dentro del navegador.
La capa de dibujo genera PNG / SVG con QRCode.js o lógica SVG personalizada.
DOM Drag & Drop API permite procesar múltiples archivos por lotes; la exportación SVG conserva nitidez para impresión y rediseño.
Ningún paso pasa por el backend, por lo que no hay riesgo de subir datos; basta compartir directamente el archivo HTML.

Resultados destacados

Creé una herramienta lista para usar en el navegador que resuelve generación QR, personalización por redibujado y reconocimiento por lotes, garantizando tratamiento local, privacidad y experiencia fluida entre plataformas.

Vanilla JS HTML5 / CSS3 Aplicación de un solo archivo Procesamiento por lotes Exportación SVG API de arrastrar y soltar

Repo Ver registro de desarrollo

QuanWen.art

Sitio full-stack Centro de contenidos AI-Native Sistema bilingüe

Contexto del proyecto

QuanWen.art es un centro personal de contenido digital desarrollado desde cero como un Web System full-stack sostenible. Integra portafolio, artículos fotográficos, avances de proyectos, conversaciones AI, cartas de contacto y administración en una misma arquitectura, dotando al sitio de publicación, mantenimiento de datos, protección de acceso y ampliación continua.

Mi responsabilidad

Como responsable independiente de producto e ingeniería de QuanWen.Art, planifico y entrego el conjunto del posicionamiento, la estructura de contenido, la presentación pública, las operaciones administrativas y la seguridad. Integro obras, artículos fotográficos, avances de proyectos, conversaciones AI, mensajes de contacto y administración en un centro digital sostenible, manteniendo su actualización, accesibilidad y límites de seguridad.

Solución técnica

FastAPI + Jinja2 partial + SQLAlchemy + MySQL cubren SSR público, JSON API administrativo, conversaciones AI, gestión multimedia y seguridad.

La capa SSR frontend organiza la página principal en 10 módulos Jinja2 partial y mejora la visibilidad inicial mediante StreamingResponse y carga diferida.
Las rutas y los servicios FastAPI del backend gestionan lectura de contenido, mensajes, conversaciones AI, multimedia y administración.
La capa de datos utiliza 14 tablas MySQL para perfiles, proyectos, fotografías, multimedia, mensajes, registros de visitas y registros de seguridad.
Seguridad coordinada mediante TrafficGuardMiddleware + CSRF + Session Token + limitación de frecuencia IP + limitación Nginx + fail2ban.
Tailwind CSS pasó de compilación CDN en tiempo de ejecución a compilación estática, eliminando los recursos que bloqueaban la vista inicial y reduciendo TTFB de 262ms a unos 20ms.

Resultados destacados

Entregué de forma independiente un Web System full-stack propio que convierte QuanWen.Art en un centro digital operativo. StreamingResponse renderiza por fragmentos y los módulos Partial adelantan la vista inicial, transformando la plantilla monolítica en una estructura modular mantenible. FastAPI conecta API públicas, administración, conversaciones AI, subida multimedia, registros de visitantes y servicios de contenido, completando el recorrido desde presentación hasta operaciones. La capa de datos utiliza 14 tablas MySQL para perfiles, proyectos, fotografías, mensajes, multimedia, visitantes y límites de frecuencia, con prioridad de base de datos y respaldo estático para mejorar disponibilidad. La seguridad cubre inicio de sesión, CSRF, Session Token, límites IP, niveles de tráfico y bloqueo automático coordinado con Nginx y fail2ban ante anomalías, proporcionando protección completa para operar.

AI-NATIVE Renderizado en streaming FastAPI Jinja2 SQLAlchemy MySQL i18n bilingüe Centro de contenidos Diseño modular Optimización de rendimiento 2026

Ver registro de desarrollo

Ajuste fino de Qwen3-8B para atención al cliente en chino

Ajuste fino de grandes modelos QLoRA Agent de atención al cliente Kaggle T4

Contexto del proyecto

Para el Agent de atención al cliente del sitio QuanWen.Art, este proyecto explora el ajuste fino eficiente en parámetros de modelos abiertos de clase 8B en un entorno Kaggle limitado con dos Tesla T4. Parte de Qwen/Qwen3-8B y datos de instrucciones en chino, con muestras de identidad, explicaciones técnicas, textos de productos y respuestas de atención al cliente. Completa la construcción de datos, conversión de plantillas ChatML, carga cuantizada 4bit, ajuste SFT, guardado del Adapter y su recarga para validar la inferencia.

Mi responsabilidad

Como responsable independiente, diseñé y ejecuté la validación del ajuste vertical de un modelo abierto de clase 8B para el Agent de QuanWen.Art. Definí objetivos, alcance de datos chinos de atención e identidad y experimentos con GPU de bajo coste, cerrando la viabilidad desde la validación del entrenamiento hasta la futura incorporación del corpus de atención del sitio.

Solución técnica

El ecosistema Hugging Face permitió validar el ajuste SFT / QLoRA de un modelo 8B con dos T4.

La capa de datos construye muestras instruction/input/output en chino para identidad, explicaciones técnicas, textos de productos y respuestas de atención.
Transformers + Datasets + PEFT + TRL + bitsandbytes organizan el proceso completo; las plantillas ChatML unifican el formato de conversación.
BitsAndBytesConfig utiliza 4bit NF4 + double quantization para reducir el uso de VRAM; LoRA se incorpora a módulos clave como q_proj, k_proj, v_proj, o_proj, gate_proj, up_proj y down_proj.
El optimizador paged_adamw_8bit, gradient accumulation y el entrenamiento k-bit adaptan el proceso a GPU de bajo coste.
El guardado, compresión, recarga y validación de inferencia del Adapter completan el ciclo.

Resultados destacados

Completé el ciclo de ajuste de Qwen3-8B Train -> Save -> Package -> Reload -> Inference con GPU en la nube de bajo coste, obteniendo una plantilla reutilizable de ingeniería SFT / QLoRA para modelos de clase 8B. El proyecto validó la viabilidad del ajuste vertical en chino con VRAM limitada y sentó una base para incorporar el corpus de QuanWen.Art, ampliar preguntas sobre conocimiento privado y crear un Agent propio de atención al cliente.

Qwen3-8B SFT QLoRA PEFT Hugging Face BitsAndBytes ChatML Agent de atención al cliente

Kaggle

Gobernanza de legibilidad GEO / SEO: acceso a búsqueda AI e índices estructurados

GEO SEO llms.txt Datos estructurados

Contexto del proyecto

Un sitio personal no debería ser solo una página visual para visitantes, sino también un nodo público que buscadores, sistemas de búsqueda AI y procesos de entrenamiento puedan comprender de forma estable. Este proyecto gobierna la visibilidad externa de QuanWen.Art y transforma su presentación en un sitio legible por máquinas con robots.txt, sitemap.xml, llms.txt y datos JSON-LD.

Mi responsabilidad

Me encargo de la visibilidad externa y legibilidad de QuanWen.Art, definiendo límites entre contenido público, rutas privadas, rastreo de buscadores y acceso de AI crawler. Dirijo el ciclo desde el diseño de políticas y la organización semántica hasta la validación en producción, para convertir el portafolio en un nodo de conocimiento comprensible por buscadores, motores de respuestas y grandes modelos.

Solución técnica

FastAPI genera dinámicamente robots.txt, sitemap.xml, llms.txt y JSON-LD, conectando los nodos públicos de conocimiento con el ecosistema de búsqueda y AI.

Las rutas ofrecen accesos públicos /robots.txt, /sitemap.xml y /llms.txt; sitemap incluye automáticamente inicio, listado de fotografías, avances y detalles fotográficos publicados.
robots.txt permite explícitamente buscadores Google, Bing, Baidu, Sogou, 360 y Shenma, y AI crawler como OpenAI, Perplexity, Applebot, Google-Extended y CCBot.
Al mismo tiempo bloquea rutas no públicas como /admin, /api, /passport, /partial y /uploads.
llms.txt describe en Markdown la identidad del sitio, sus temas, proyectos destacados y políticas de entrenamiento AI y citación.
JSON-LD relaciona entidades mediante tipos Schema.org como Person, WebSite, ProfilePage, CollectionPage, CreativeWork e ItemList.
pytest cubre robots, sitemap, llms.txt y los datos estructurados de inicio, fotografías y avances.

Resultados destacados

Esta actualización convierte QuanWen.Art en un nodo público de conocimiento comprensible por máquinas. Los buscadores pueden rastrear contenido mediante sitemap; los sistemas AI identifican temas y límites de autorización con llms.txt, y los datos estructurados relacionan autor, sitio, proyectos y colecciones para buscadores y motores de respuestas. La verificación cubre robots, sitemap, llms.txt y JSON-LD; tras reiniciar el servicio en producción, todos los accesos públicos devolvieron HTTP 200.

FastAPI robots.txt sitemap.xml llms.txt JSON-LD Schema.org AI Crawler pytest

Ver registro de desarrollo llms.txt sitemap.xml

Predicción de personalidad y análisis del comportamiento de usuarios

Ciencia de datos Proyecto de investigación

Contexto del proyecto

Construir un proceso de análisis de aprendizaje automático para estudiar el comportamiento y validar el valor de la predicción de personalidad en la segmentación y el apoyo a estrategias operativas.

Mi responsabilidad

Transformé la predicción de personalidad en una tarea verificable de análisis de datos, delimitando tratamiento, interpretación de variables, comparación de modelos y presentación. Organicé los resultados en segmentos e información de comportamiento comprensibles para negocio, como base para debatir etiquetado CRM, pruebas A/B y contacto personalizado.

Solución técnica

Pandas + Scikit-learn + XGBoost forman un proceso completo de predicción de personalidad, desde la limpieza hasta la explicación de la clasificación.

La capa de datos trata valores ausentes, filtra anomalías, codifica variables y normaliza.
XGBoost + Scikit-learn Pipeline organizan entrenamiento y validación; GridSearchCV realiza búsqueda de parámetros y validación en varios pliegues.
La normalización y la codificación one-hot se incorporan al proceso para reducir fugas durante el preprocesamiento.
Los resultados sirven como base para debatir etiquetado CRM, pruebas A/B y contacto personalizado.

Resultados destacados

Desarrollé un proceso completo desde datos brutos hasta resultados interpretables, que puede apoyar el debate sobre etiquetado CRM, pruebas A/B y estrategias de contacto personalizado.

Pandas / Numpy XGBoost Scikit-learn Visualización de datos

Ver registro de desarrollo

Recopilación web multifuente y motor de opinión pública

Ingeniería de datos Ampliable

Contexto del proyecto

Para recopilar comentarios de vídeo y noticias especializadas, construí un motor capaz de extraer, limpiar y producir datos estructurados de forma continua para investigar políticas y observar la opinión pública.

Mi responsabilidad

Organicé necesidades dispersas de páginas, comentarios y noticias en tareas reutilizables de recopilación, definiendo alcance, campos, criterios de limpieza y formatos de entrega. Transformé la búsqueda manual puntual en un proceso sostenible de ingeniería de datos, ofreciendo una fuente estable para investigación de políticas, opinión pública y futuros análisis de sentimiento.

Solución técnica

requests + asyncio + rvest construyen un flujo asíncrono multifuente que genera materiales de investigación estructurados.

El grupo concurrente asyncio mejora la extracción multipágina; los retardos aleatorios, la rotación User-Agent y las sesiones Cookie refuerzan su estabilidad.
La limpieza extrae campos, elimina duplicados, normaliza formatos y filtra anomalías; los campos y criterios se estandarizan de antemano.
La salida final son archivos CSV / hojas de cálculo reutilizables en análisis de sentimiento e investigación de políticas.

Resultados destacados

Completé el proceso desde extracción y limpieza hasta guardado estructurado, reduciendo la organización manual de páginas originales y dejando una base ampliable para análisis de sentimiento y seguimiento de competidores.

Python / asyncio rvest Gestión de medidas antibots Proceso de datos

Ver registro de desarrollo

Automatización con Yingdao RPA

Automatización de procesos Eficiencia empresarial

Contexto del proyecto

Para operaciones frecuentes, repetitivas y propensas a errores en Zhiying EPR, incorporé automatización RPA para reducir la carga manual.

Mi responsabilidad

Identifiqué procesos repetitivos frecuentes en sistemas administrativos como Zhiying EPR y convertí clics, mantenimiento de formularios y confirmaciones en nodos automatizables. Impulsé la estandarización, el análisis de excepciones y la validación operativa para que RPA sirviera a las operaciones diarias y no quedara en una demostración.

Solución técnica

Yingdao RPA divide las operaciones repetitivas del backend en nodos reutilizables y contempla gestión de excepciones.

El proceso separa inicio de sesión, navegación de menús, formularios y confirmación en acciones estándar, evitando scripts grabados de un solo uso difíciles de mantener.
La ejecución utiliza simulación de teclado y ratón y activación condicional; la capa de excepciones gestiona ventanas emergentes, tiempos de espera y reintentos.
Se mantienen confirmaciones humanas en puntos clave para evitar que una operación automática incorrecta amplifique el riesgo.

Resultados destacados

Transformé tareas administrativas repetitivas en flujos reutilizables, reduciendo la variabilidad de los clics manuales y errores, adecuados para su uso continuo en fases de negocio estables.

Yingdao RPA Clics automáticos EPR Orquestación de procesos Reintentos ante excepciones

Publicación selectiva en Amazon US

Estrategia operativa Ejecución continua

Contexto del proyecto

Para la publicación selectiva Amazon US FBM, el objetivo es fundamentar mejor la búsqueda de nuevos productos, la preparación de recursos y el ritmo de publicación, en lugar de depender de la experiencia intuitiva.

Mi responsabilidad

Me encargué de seleccionar productos, coordinar novedades y preparar recursos en Amazon US FBM, convirtiendo la publicación intuitiva en un proceso basado en datos y revisable. Conecté tendencias, análisis de palabras clave, calidad visual y ritmo de publicación para estabilizar la colaboración entre estrategia operativa y herramientas visuales AI.

Solución técnica

SellerSprite + Google Trends + herramientas visuales AI forman un ciclo de selección de productos, preparación de recursos y revisión del ritmo de publicación.

El análisis considera popularidad de palabras clave, competencia y margen; las tendencias y palabras clave delimitan la prioridad de selección.
La producción conecta optimización de imágenes de producto y generación AI de escenas, mejorando su consistencia con herramientas visuales AI.
La revisión operativa registra ritmo de publicación, calidad de recursos y resultados posteriores para ajustar continuamente criterios de selección y recursos.

Resultados destacados

Se consolidó un ritmo más estable de selección y publicación, priorizando calidad de las fichas, expresión coherente y preparación eficiente de recursos para su mejora a largo plazo.

SellerSprite Google Trends Publicación selectiva FBM Imágenes originales de fondo blanco

Painter-Harness

Base para generación por lotes y edición multirronda con modelos de imagen

Proyecto principal Iteración continua Harness

Harness de modelos de imagen Edición multirronda en la capa Harness Compatible con caché de prefijos

Contexto del proyecto

Los modelos de imagen no tienen estado: una llamada genera una imagen, no recuerda el avance del lote ni por qué falló la imagen anterior, ni garantiza coherencia con la referencia. Sin embargo, generar imágenes para fichas de producto es una tarea prolongada, de varios pasos y sesiones.

Painter-Harness aporta la capa externa al modelo. El entorno de ejecución asume contratos de composición, estructuras de restricciones, enrutamiento, estado externo y recuperación de fallos; el modelo solo dibuja.

Admite de forma nativa dibujo AI y modificación mediante conversación multirronda, gracias a la base Harness y sin depender de que el modelo conserve sesiones. Cualquier imagen generada puede convertirse en base para continuar la conversación, añadir referencias y producir variantes, manteniendo el anclaje del producto y las restricciones de texto durante toda la sesión.

Según la división habitual Agent = Model + Harness, este proyecto desarrolla la segunda parte para modelos de imagen.

Mi responsabilidad

Diseñé e implementé esta capa de ejecución. El foco no está en ajustar prompts, sino en definir contratos, almacenar estado, recuperar fallos y delimitar permisos, asumiendo coherencia de imágenes, compatibilidad de protocolos, planificación de cuotas y reproducción del historial.

Solución técnica

Estructura de cuatro capas: las llamadas al modelo quedan entre código determinista.

Scaffold

El anclaje del producto, la lista permitida de textos visibles, la prohibición de representar metadatos y la fidelidad cromática se fijan como restricciones estructuradas ensambladas en cada llamada, sin depender del contexto acumulado. Cada nodo de composición constituye un contrato y una unidad de trabajo independiente.

Runtime

Exploración de directorios, creación de tareas, ensamblaje de solicitudes, asignación de modelos, recogida de resultados y archivo. Una capa adaptadora concentra las diferencias de familias: generación y edición comparten abstracción de tareas y los parámetros opcionales incompatibles se degradan gradualmente sin interrumpir el lote. El entorno coordina concurrencia, intervalos, tiempos de espera y cuotas.

Capacidades de base

La edición multirronda no depende de sesiones nativas del modelo: la asume el entorno. Cada imagen tiene una sesión; estado, referencias y genealogía de variantes se guardan fuera del modelo. Cada ronda ensambla una solicitud independiente con imagen base, nuevas referencias e instrucciones. Así, los modelos de una sola llamada también editan por rondas; las variantes se guardan, pueden seleccionarse como imagen actual y permiten continuar entre sesiones.

El orden fijo es «prefijo estable de restricciones → nodos e instrucciones variables». Los modelos con caché de prefijos pueden reutilizarlo, repartiendo el coste de restricciones repetidas en la entrada facturada y reduciendo notablemente el coste en lotes largos y ediciones multirronda.

State

El avance se guarda fuera del entorno de ejecución. Los checkpoints de lote permiten omitir nodos ya terminados entre ejecuciones; los archivos por ronda evitan repetir todo el lote para completar, editar o comparar variantes.

Guardrail

Estado y registros se transmiten en tiempo real; los fallos conservan categoría, fuente de cuota e historial de reintentos, y las tareas pueden cancelarse. Las funciones de generación costosas no se incorporan al catálogo de automatización. La ampliación y reducción del tamaño se integran como posprocesamiento opcional.

Resultados destacados

El modelo no cambia: la certeza de entrega procede del entorno. Los contratos hacen previsibles las entradas; las estructuras de restricciones hacen coherentes las salidas; los checkpoints limitan el fallo a un nodo, y el estado de sesión conserva el contexto durante los ajustes.

Al incorporar la edición multirronda a la base, la selección de modelos deja de depender de su capacidad de sesión: los de una sola llamada también pueden editar. Los prefijos estables permiten repartir el coste de restricciones repetidas cuando hay caché. Un conjunto de nodos estructurados impulsa versiones multilingües, y la generación por lotes y edición multirronda individual comparten la misma capa de herramientas.

Python 3.12 · FastAPI · Pydantic · Plano de control en JS nativo

Planificación de herramientas · Orquestación concurrente · Grupo de cuotas · Reintentos y degradación Enrutamiento multifamilia · Canales de generación / edición · Convergencia de compatibilidad de parámetros Estructuras de restricciones · Contratos de nodos estructurados · Análisis y validación de salidas Edición multirronda de base · Genealogía de variantes · Sesiones de referencias Ensamblaje de prefijos estables · Aciertos de caché de prefijos · Compatibilidad con modelos de una sola llamada · Reparto de costes Estado externo · Checkpoints de lote · Memory-like State Flujo observable de registros · Tareas cancelables · Permisos acotados

Arte AI por lotes para comercio exterior: generador de flujos JSON

Genera con un clic metadatos JSON estandarizados y altamente controlables para renderizado automático SD / Midjourney

Estilo visual

Producto principal de comercio exterior

Mi responsabilidad

Organicé estilos, productos, composición y parámetros de renderizado de imágenes de fichas de comercio exterior en un flujo configurable Prompt JSON. Transformé la producción basada en prompts escritos a mano en una interfaz estructurada, reutilizable y demostrable, ayudando a comprender el control paramétrico de la producción visual AI.

Solución técnica

El proceso de imágenes de fichas de comercio exterior se abstrae como Prompt JSON estructurado, con estilo, atributos, composición y parámetros configurables, previsualizables y reutilizables.

La capa de parámetros gestiona tipo de producto, estilo visual, argumentos de venta, fondo, cámara y especificaciones de salida.
Los parámetros del formulario se ensamblan en Prompt JSON estructurado, conservando restricciones de campos para integrar posteriormente flujos como ComfyUI y Flux.
La vista previa inmediata aclara «cambio de parámetros → cambio de intención visual» y reduce el coste de reutilizar y modificar prompts escritos a mano.

¡Copiado al portapapeles! Puedes utilizarlo directamente en herramientas automáticas SD/MJ.

Generating JSON system blueprint...

Sobre mí: donde se encuentran la poesía narrativa y la ciencia

Matriz de competencias

01. Investigación comercial y operaciones de plataformas

02. Ingeniería full-stack y arquitectura web

03. Ingeniería de Agent y centro de operaciones

04. Productos de código abierto y estética frontend

Proyectos destacados y taller creativo

Plataforma de herramientas de uso general (AiNative-Tools)

Contexto del proyecto

Mi responsabilidad

Solución técnica

Resultados destacados

Lite Studio

Contexto del proyecto

Mi responsabilidad

Solución técnica

Resultados destacados

OpenClaw Sentinel

Contexto del proyecto

Mi responsabilidad

Solución técnica

Resultados destacados

MiMo Vision MCP

Contexto del proyecto

Mi responsabilidad

Solución técnica

Resultados destacados

QCode Toolkit (códigos QR SVG)

Contexto del proyecto

Mi responsabilidad

Solución técnica

Resultados destacados

QuanWen.art

Contexto del proyecto

Mi responsabilidad

Solución técnica

Resultados destacados

Ajuste fino de Qwen3-8B para atención al cliente en chino

Contexto del proyecto

Mi responsabilidad

Solución técnica

Resultados destacados

Gobernanza de legibilidad GEO / SEO: acceso a búsqueda AI e índices estructurados

Contexto del proyecto

Mi responsabilidad

Solución técnica

Resultados destacados

Predicción de personalidad y análisis del comportamiento de usuarios

Contexto del proyecto

Mi responsabilidad

Solución técnica

Resultados destacados

Recopilación web multifuente y motor de opinión pública

Contexto del proyecto

Mi responsabilidad

Solución técnica

Resultados destacados

Automatización con Yingdao RPA

Contexto del proyecto

Mi responsabilidad

Solución técnica

Resultados destacados

Publicación selectiva en Amazon US

Contexto del proyecto

Mi responsabilidad

Solución técnica

Resultados destacados

Painter-Harness

Contexto del proyecto

Mi responsabilidad

Solución técnica

Scaffold

Runtime

Capacidades de base

State

Guardrail

Resultados destacados

Arte AI por lotes para comercio exterior: generador de flujos JSON

Mi responsabilidad