Analítica con IA
multi-tenant
en producción
Preguntas de negocio y de ingeniería hechas en lenguaje natural, respondidas sobre cuatro fuentes que nunca antes se habían hablado entre sí. Cada respuesta vuelve con la consulta, el commit y la traza detrás.
datos de productocodegraph
repositorioschromadb
corpus ragvitals
asc + play
vitals para la caída, después los commits que entraron esa semana.
Las respuestas vivían en cuatro silos. "¿Esta regresión es nuestra?" costaba un día del tiempo de tres personas, cada vez que se preguntaba.
Un supervisor en LangGraph con un reflect loop por LLM que elige al siguiente especialista según la evidencia ya reunida: métrica, dimensional, código, code-review, móvil. CodeGraphContext sobre los repos, ChromaDB por tenant, BigQuery para datos de producto, App Store Connect y Play Developer Reporting para vitals. Los fast paths del modelo semántico responden lo habitual sin LLM en la ruta de SQL. Factory de LLM agnóstica de proveedor, store de investigaciones en Postgres, aislamiento por tenant desde el primer commit.
Dos empresas consultan un mismo motor contra sus propios datos, totalmente aisladas. Cuando la evidencia entra en conflicto lo dice y muestra ambas hipótesis en vez de elegir una. La regla fija es que nunca devuelve una afirmación causal que no pueda fundamentar en una fuente.
