← Todos los proyectos

1 · 2026

Economicon, asistente FinOps

Asistente multi-tenant que ingiere costes de Azure y responde preguntas en lenguaje natural con recuperación semántica filtrada por cliente. Mi Trabajo Fin de Máster, hecho en equipo.

ArquitecturaCuatro servicios con una responsabilidad cada uno. Toda consulta pasa por el tenant activo.
  1. Interfaz

    • Frontend ReactJWT y X-Tenant-Id en cada petición
  2. API

    • Backend FastAPIauth, tenant obligatorio, chat con recuperación
  3. Procesado e IA

    • RabbitMQtrabajos confirmados
    • Processordocumentos y embeddings
    • LiteLLMgateway de modelos, mock en desarrollo
  4. Datos

    • CockroachDBdatos operativos y costes
    • Postgres + pgvectorvectores filtrados por tenant
    • MinIOoriginales temporales
    • CSV público fijadodataset de Azure
    • API Azure simuladasubconjunto de Cost Management Query
    • CLI de ingestapaginada, normalizada e idempotente
    • CockroachDBcostes por tenant
    • Prometheus/metrics del backend y del processor
    • Grafanapaneles de datos, anomalías y coste de IA

Problema

Quien paga una nube ve la factura, pero responder algo concreto, como qué servicio se disparó este mes y en qué suscripción, exige exportar datos, cruzarlos y entender el modelo de costes del proveedor. Economicon busca que esas preguntas se respondan conversando, y con una condición innegociable: un cliente nunca puede ver los datos de otro.

Enfoque

Un monorepo con Turborepo y cuatro aplicaciones, cada una con una única responsabilidad:

  • frontend (React + TanStack Query): la interfaz y el chat.
  • backend (FastAPI): autenticación, resolución obligatoria del tenant activo, persistencia operativa en CockroachDB y recuperación de contexto vectorial, siempre filtrada por tenant.
  • processor: consume trabajos de RabbitMQ, genera embeddings y los guarda en Postgres con pgvector.
  • azure-cost-api: simula el subconjunto de la API Azure Cost Management Query. Así todo el equipo desarrolla y prueba sin depender de una suscripción real.

Los modelos se consumen a través de un gateway LiteLLM. En desarrollo y en los tests, unos proveedores mock explícitos permiten levantar el stack completo sin claves de API.

La infraestructura se trató como parte del producto: contenedores sin privilegios con el sistema de archivos de solo lectura, imágenes base fijadas por digest, migraciones formales para las dos bases de datos y una CI en GitHub Actions que valida gobernanza, especificaciones (OpenSpec), pruebas y build en cada pull request.

Resultados

  • Ingesta paginada e idempotente de costes por tenant desde la API simulada.
  • Chat con recuperación semántica aislada por tenant, en modo mock y con IA real a través del gateway.
  • Un smoke test local que recorre el camino mínimo de punta a punta: salud de los cuatro servicios, login, ingesta de costes, resumen y un trabajo que viaja por RabbitMQ hasta el processor.
  • Arquitectura, ADR, roadmap y evidencias documentados y versionados junto al código.

Pendiente, y así consta en el repositorio: despliegue en la nube, observabilidad avanzada y una validación de punta a punta del flujo RAG con embeddings y LLM reales.

Qué aprendí

Que el aislamiento entre clientes tiene que diseñarse desde la primera migración y no añadirse después: el tenant_id condiciona el esquema, las consultas vectoriales y los tests. También, que trabajar en equipo sobre un monorepo solo escala con reglas explícitas: tarjetas, ramas cortas, pull requests y una CI que no se puede saltar.

Panel de anomalías de Economicon con el impacto estimado, las anomalías abiertas por criticidad y una bandeja de alertas filtrable.
Panel de anomalías y alertas, con datos de demostración.
Conversación con el asistente de Economicon. El usuario pregunta por qué se marcó una anomalía y el asistente responde con la regla aplicada, el coste observado frente a la referencia y sus limitaciones.
El asistente explica una anomalía con la regla, los operandos y sus límites.