Tzar.Tech
Agents that sobreviven production.
Entregamos sistemas con agentes IA en los que su equipo de ops realmente confía — con evals, traces, guardrails y planes de rollback incluidos.
Vista operativa
- Promote ingest-v124m
- Subir rate limit 5k/min12m
- Retirar webhook legacy1h
Cómo entregamos agentes.
Tres fases, discovery a precio fijo, su repositorio como artefacto.
Integraciones tipadas
Un stack completo para sistemas con agentes IA.
Cinco capacidades complementarias. Elija una o todas; nos adaptamos a su stack.
Agentes IA & Skills
Herramientas multi-paso con evals, traces y guardrails.
- Contratos tipados
- Eval gates
- Plan de rollback
Pipelines RAG
Recuperación híbrida con citas y detección de drift.
- Índice híbrido
- Rerankers
- Respuestas con fuente enlazada
Durable Execution
Sagas + reintentos que sobreviven a reinicios.
- Workflows stateful
- Presupuestos de retry
- Replay debug
Orquestación A2A
Paso de mensajes tipado entre agentes especializados.
- Envelopes tipados
- Auth entre agentes
- Mesh observability
Schema-Driven Dev
Pipelines contract → codegen que mantienen los clientes sincronizados.
- Una fuente de verdad
- Codegen para 4 lenguajes
- Contratos versionados
Outcomes, not demos.
Entregaron un sistema que sobrevivió a nuestras semanas pico. Las evals detectaron dos regresiones que habrían llegado a producción.
What we actually ship.
Every system we build follows this shape. Client at the edge, tools in a sandbox, traces everywhere, evaluators gating output. No black boxes, no "it works on my machine."
Watch an agent do the job.
Three real production scenarios, replayed at observed latency. Every box is a span; every span has tokens, cost, and an eval gate. This is what shows up in your traces, not a marketing animation.
La revisión pretrade requiere: reglas aplicables, market data, position-check y un evaluator gate determinista.
One invoice for the whole run.
Every tier is the same delivery system. What changes is the cast, the duration, and how close we stay after launch.
Sprint de discovery
Precio fijo · 2 semanasArquitectura, spike funcional, plan de build. Se va con un repositorio.
Usted obtiene- Diagrama de arquitectura
- Registro de riesgos
- Prototipo funcional
- Plan de build + estimación
Para equipos evaluando un sistema con agentes IA.- Más común
Build pod
Precio fijo · 8–14 semanasUn pod de 2–4 ingenieros senior entrega en su repositorio, con su stack, contra sus evals.
Usted obtiene- Sistema en producción
- Eval gates
- Trace dashboards
- Plan de rollback
- Runbook
Para equipos listos para poner agentes en producción. Stewardship
Mensual · continuoNos quedamos cerca mientras el sistema funciona. Tunings, ampliación de evals, ampliación de alcance.
Usted obtiene- Solape de on-call
- Mantenimiento de eval suite
- Revisiones de coste y rendimiento
- Roadmap trimestral
Para equipos que operan el sistema a largo plazo.
Built for production.
- Evals deterministas y LLM-judge antes del deploy
- Cobertura de tool-call y validación de esquema obligatorias
- Presupuestos de latencia y coste como gate por release
- El mismo pod desde el spike hasta producción
- 12+ años de media; ML, sistemas distribuidos, on-call
- Conoce a los ingenieros en la semana 1, no en la 10
- Su repositorio, su stack, su monitorización
- Sin vendor lock-in, sin runtime propietario
- Transferencia de conocimiento en la semana del go-live
Asked at every scoping call.
Precio fijo, scoped a dos semanas. Compartimos una hoja de tarifas a petición — el objetivo es que se vaya con algo concreto (arquitectura + spike) independientemente de si continúa con nosotros.
De ocho a catorce semanas desde el kick-off hasta el rollout a producción. Discovery está incluido si lo hace con nosotros; si no, trabajamos a partir de su spec existente.
Suyo. El repositorio vive en su org desde el día uno. Commiteamos ahí. No corremos nada propietario que no pueda replicar.
Cada release pasa por eval gates: checks deterministas (schema, latencia, coste), cobertura de tool-call y spot checks LLM-judge. El deploy se detiene si algo regrede.
Budgets por llamada y por día. Capamos contexto con truncación de retrieval, routamos a modelos más baratos donde la eval lo permite, y caemos a paths deterministas bajo presión de coste.
Cada path tiene un fallback. Lógica determinista atrapa los casos comunes; el path del agente va por encima. El rollback es un cambio de route de una línea detrás de un feature flag.
Dos semanas de shadowing en la rampa, runbook + eval suite entregados en su repo, solape de on-call para el primer incidente. Después es suyo.
Faithfulness (¿la respuesta se deriva de los documentos citados?), grounding (¿las citas son reales?), y recall (¿encontramos los documentos correctos?). Cada release corre la suite.
Sí. Durable execution captura inputs en cada paso. Replay contra un input bad-known reproduce el fallo exactamente, incluyendo llamadas LLM no deterministas cuando el modelo es seedable.
Cada agente tiene una identidad tipada + mTLS por defecto. Usamos tokens scoped con vida corta; las llamadas entre agentes llevan trace IDs para que el auditor reconstruya el flujo.
Aditivo por defecto, con un campo `version` en cada envelope y una política de deprecación verificada en CI. Los breaking changes pasan por una ventana de versiones paralelas.
Lance el primer sistema.
Discovery a precio fijo en 2 semanas. Se va con una arquitectura, un spike funcional y un plan de construcción.