Ø1 Perucho
72,2 % a 76,9 %
mejora de recall exacto
EN PRODUCCIÓN, 170 días
- Sistema
- Agente autónomo de WhatsApp que atiende clientes, transcribe notas de voz y cotiza con precios en vivo de un catálogo ferretero de más de 8.000 productos.
- Problema
- Los clientes escriben en español coloquial, con erratas y notas de voz, y los constructores piden cantidades ('cuánto cemento para 400 bloques') que los LLM genéricos calculan mal.
- n8n
- WAHA
- Docker
- Node.js 22
- OpenRouter / OpenAI
- text-embedding-3-small
- Groq Whisper
- Supabase PostgreSQL (pg_trgm, pgvector, RLS, Realtime)
- TypeSafe Jev
- Vercel AI Gateway
- Engram
- Next.js 14
- Tailwind CSS
- Vitest
- Playwright
- Resultado
- Desarrolló un flujo n8n con WAHA en Docker, una cascada de recuperación de 5 capas con indexación pg_trgm y pgvector HNSW, transcripción con Groq Whisper, colas de escalado en Supabase Realtime y un CRM Next.js 14 Flight Deck. Elevó el recall exacto de 72,2 % a 76,9 % en un banco de 320 casos y atendió a 191 clientes.
Iniciado 5 jun 2026
Al 2026-11-22





