El motor
invisible.

Cuando una API externa de la que depende tu producto empieza a fallar o degradarse, normalmente te enteras por quejas de usuarios, no por monitoreo propio — y para cuando lo notas, ya perdiste tiempo valioso de diagnóstico.

Un worker en asyncio revisa en paralelo el estado de cada servicio monitoreado cada 30 segundos y reporta los resultados al backend por HTTP — nunca toca la base de datos directamente. El backend detecta automáticamente las transiciones de estado (sano → degradado → caído, y de regreso), abre y cierra registros de incidentes con su duración exacta, y transmite cada cambio en vivo a todos los navegadores conectados por WebSocket, sin necesidad de refrescar. Las gráficas de latencia usan downsampling adaptativo en vez de bloques de hora fija, así un servicio recién agregado nunca se queda con una gráfica vacía durante la primera hora.

Los asistentes de IA basados en la nube implican mandar cada conversación a servidores de terceros, pagar por token, y depender de que el servicio siga disponible — sin control real sobre el modelo, el historial, ni la privacidad de lo que se comparte.

Trenchcoat corre enteramente en la propia máquina: un LLM local vía Ollama para texto y código, y Stable Diffusion (Forge) para imágenes, orquestados automáticamente según la intención de cada mensaje, sin que el usuario tenga que cambiar de modo a mano. Un clasificador de intención decide si un mensaje es texto, una imagen nueva, o una edición de la imagen anterior — con un modelo de respaldo para los casos donde el patrón no alcanza. Las ediciones de imagen tienen un control de intensidad (sutil / normal / agresivo) para balancear fidelidad contra cuánto se le permite cambiar al resultado.

Revisar decenas de CVs contra una vacante a mano es lento, inconsistente entre revisores, y no deja rastro claro de por qué se descartó a alguien.

Un LLM analiza cada CV contra la descripción del puesto y devuelve una puntuación, un porcentaje de cobertura de requisitos y un desglose de habilidades cumplidas y faltantes — con reglas de consistencia forzadas por prompt para que la puntuación y las razones mostradas siempre cuenten la misma historia. Extrae también correo, teléfono y enlaces de contacto directo del PDF por expresión regular.

Los chatbots genéricos consumen tokens en exceso respondiendo sin contexto relevante.

Pipeline RAG con ChromaDB: solo se envía contexto relevante a la AI, reduciendo tokens. Cache Redis para queries repetidas.