¿El Tech Lead es solo un Senior con un título más bonito o realmente cambia su función? En este episodio, Juan y Douglas desglosan la figura del Lead de Tecnología: desde la diferencia crucial entre gestionar personas (Engineering Manager) y gestionar el stack técnico, hasta por qué las empresas pequeñas también necesitan uno para evitar el caos. Si quieres escalar en tu carrera técnica sin despegarte del código, este episodio es para ti.

Lo que aprenderás hoy:

• La diferencia entre Tech Lead, Staff Engineer y Engineering Manager.
• Por qué el Tech Lead es el "dueño" del estándar técnico y no necesariamente el jefe administrativo.
• Habilidades clave: del troubleshooting experto a la evangelización y documentación.
• El modelo de Habilidades en T: profundidad en tu área y visión general del flujo (DNS, DB, Infra).
• Consejos prácticos para Juniors y Seniors que aspiran a liderar equipos.

¡Únete a nuestra comunidad y no te pierdas nada!

YouTube: https://www.youtube.com/@DevAndOpsPodcast ▶️
TikTok: https://www.tiktok.com/@devandops 🕺
Instagram: https://www.instagram.com/devandopspodcast 📸
Facebook: https://www.facebook.com/devandops 👍
Spotify: https://open.spotify.com/show/1MuMODYsE4xN6RhOcd8EaG 🎧

Capítulos:

(00:00) Introducción: Tech Leads en todas las disciplinas
(01:26) Bienvenidos a Dev&Ops: La importancia de compartir experiencias
(02:41) El reto de definir qué es un Tech Lead según la empresa
(04:00) El estándar de la industria vs. la realidad de las startups
(07:30) ¿Seguimos copiando lo que hacen las FAANG (Meta, Google, Netflix)?
(10:13) Nuevos roles: La IA y los puestos emergentes (LLM Operators)
(12:00) Definición formal: ¿Qué dice Indeed sobre el Tech Lead?
(14:48) Especializaciones: Tech Leads de Frontend, Backend y SRE
(16:34) "¿Suena caro?": Por qué un Tech Lead te ahorra dinero a largo plazo
(18:20) El Tech Lead como dueño del Stack y los estándares técnicos
(20:30) Diferencia entre liderazgo técnico y gestión administrativa
(23:10) ¿Debe un Tech Lead encargarse de las contrataciones?
(26:30) Habilidades blandas: El fit cultural más allá del código
(30:22) Tech Lead vs. Staff Engineer vs. Engineering Manager
(37:50) Estructuras de equipo: ¿Cuántos leads necesitas según tu tamaño?
(41:00) Evitando el caos: La importancia de la armonía técnica
(44:23) Hoja de ruta: Habilidades para ser considerado un Tech Lead
(47:44) La importancia del Research y entender el negocio
(50:55) De experto a mentor: Documentación y evangelización técnica
(56:23) Conclusión y consejos finales para tu carrera

#devops #techlead #programacion #ingenieriadesoftware #staffengineer #crecimientoprofesional #tecnologia #systemdesign #podcasttecnologia #desarrolloweb

En este episodio hablamos a fondo sobre una de las preguntas más comunes hoy en día en inteligencia artificial: ¿es mejor usar modelos en la nube o correr IA en local?

Compartimos experiencias reales probando modelos locales, los retos de hardware, costos ocultos, rendimiento y qué tan viable es realmente para el día a día. También exploramos casos prácticos donde sí tiene sentido usar IA en local y cuándo definitivamente no vale la pena.

Si estás considerando montar tu propio entorno de IA o quieres optimizar costos, este episodio te va a dar claridad basada en experiencia real, no en “venta de humo”.

🔍 En este episodio aprenderás:

• Qué es realmente la IA en local y cómo funciona
• Diferencia entre modelos “open source” y “open weights”
• Limitaciones reales de hardware (RAM, VRAM, contexto)
• Cuándo sí tiene sentido usar modelos locales
• Por qué la nube sigue siendo la mejor opción en muchos casos
• Casos prácticos donde modelos pequeños funcionan muy bien
• Cómo balancear costo, rendimiento y tiempo en tu workflow

📑 Capítulos:
(00:00) Introducción y contexto del episodio
(02:00) Nuevo integrante en la familia y regreso al podcast
(04:30) Tema del episodio: IA en local vs en la nube
(07:30) ¿Qué es la IA en local?
(10:30) Open source vs open weights
(14:00) Evolución de modelos (Llama, Qwen, etc.)
(18:30) Limitaciones reales del hardware
(22:00) Quantization explicado
(26:30) Experimentos en hardware limitado
(30:00) Casos de uso prácticos con modelos pequeños
(35:30) Debate: IA local vs nube
(42:00) Costos, planes y modelos en la nube
(48:00) Problemas reales de rendimiento en local
(52:00) Privacidad: mitos y riesgos
(56:30) Casos donde sí vale la pena IA local
(01:02:00) Conclusiones y recomendaciones
(01:10:00) Cierre del episodio

En este episodio hablamos de uno de los temas más mal entendidos al trabajar con contenedores: por qué “Docker rompe producción”… cuando en realidad el problema es cómo lo operamos.

A partir de experiencias reales migrando de VMs a contenedores, exploramos errores comunes que suelen pasar desapercibidos en desarrollo pero explotan en producción. Desde tratar contenedores como máquinas virtuales hasta no definir límites de recursos, usar latest o construir imágenes gigantes.

También abordamos errores de “día 2” como manejo de logs, secretos, health checks y seguridad, que pueden tumbar sistemas completos si no se manejan correctamente.

🔍 En este episodio aprenderás:

• Por qué los contenedores no son el problema, sino su operación
• El error de tratar contenedores como VMs (y cómo cambiar esa mentalidad)
• Cómo evitar caídas por falta de límites de CPU y memoria
• Por qué nunca deberías usar latest en producción
• Cómo optimizar imágenes Docker para mejorar performance y despliegues
• Errores comunes en logs, secretos y health checks en entornos productivos

📑 Capítulos:
(00:00) Introducción y contexto del episodio
(02:05) ¿Los contenedores realmente rompen producción?
(05:10) Error #1: Tratar contenedores como VMs (pet vs cattle)
(12:50) Error #2: No definir límites de recursos
(19:40) Error #3: Usar el tag latest en producción
(25:30) Error #4: Imágenes Docker pesadas
(32:20) Errores de fase 2: logs, secretos, seguridad y health checks
(39:30) Conclusiones y recomendaciones finales

La inteligencia artificial se ha robado la atención de toda la industria tecnológica, pero eso no significa que herramientas clave como Docker hayan desaparecido del flujo de trabajo de desarrollo y operaciones. En este episodio hablamos sobre cómo Docker Desktop sigue siendo una pieza fundamental en el desarrollo moderno, incluso en plena era de los agentes y los LLMs.

Exploramos cómo los equipos de desarrollo y DevOps pueden aprovechar Docker Desktop no solo para ambientes de desarrollo tradicionales, sino también para nuevos flujos de trabajo relacionados con inteligencia artificial.

En particular, analizamos dos funcionalidades interesantes que pueden integrarse fácilmente en el entorno local: Docker Model Runner para ejecutar modelos LLM locales y las herramientas de Docker para correr MCP Servers, permitiendo conectar aplicaciones de IA con servicios externos de forma más segura y estandarizada.

Si ya utilizas contenedores en tu flujo de desarrollo, estas capacidades podrían ayudarte a simplificar la integración de IA en tu stack sin añadir más herramientas externas.

🔍 En este episodio aprenderás:

• Por qué Docker dejó de ser un “buzzword” pero sigue siendo clave en DevOps
• Cómo Docker Desktop sigue facilitando ambientes de desarrollo locales con contenedores
• Qué es Docker Model Runner y cómo permite correr LLMs locales
• Cómo interactuar con modelos locales usando APIs tipo OpenAI u Ollama
• Qué es Model Context Protocol (MCP) y por qué es importante para aplicaciones de IA
• Cómo Docker Desktop facilita ejecutar MCP Servers de forma aislada y segura
• Cuándo tiene sentido usar Docker Desktop en flujos de trabajo con inteligencia artificial

📑 Capítulos:

(00:00) Introducción: IA, buzzwords y el rol actual de Docker
(01:45) ¿Por qué Docker dejó de ser un buzzword?
(04:20) Docker Desktop en los flujos de desarrollo modernos
(07:30) Ambientes de desarrollo locales con contenedores
(10:10) Kubernetes local dentro de Docker Desktop
(13:00) Cómo la IA está cambiando el trabajo de desarrollo y operaciones
(16:20) Primer enfoque: correr modelos LLM locales
(19:10) Docker Model Runner: cómo funciona
(22:40) APIs compatibles con OpenAI y Ollama
(25:00) Segundo enfoque: qué es MCP (Model Context Protocol)
(27:20) Problemas comunes al ejecutar MCP servers
(29:40) Docker MCP Toolkit y MCP Catalog
(31:50) Docker MCP Gateway y orquestación de MCP servers
(33:10) Reflexión final: cuándo considerar Docker Desktop en la era de la IA

¡Bienvenidos a un nuevo episodio experimental de Dev&Ops! 🎉 Esta semana, Juan y Douglas salen un poco de la rutina y se sientan a reaccionar a tres artículos tecnológicos que están dando mucho de qué hablar en la industria.

¿Alguna vez has considerado reemplazar tus scripts de Bash con Python? Analizamos los pros y contras de la portabilidad tanto en entornos locales como en servidores de producción. Luego, entramos en un debate picante: ¿Deberíamos dejar de usar Redis, MongoDB y Pinecone para meter TODO dentro de PostgreSQL? Hablamos sobre la centralización, la robustez de los sistemas complejos y el temido "Single Point of Failure".

Para cerrar, exploramos el fascinante pero doloroso mundo de las aplicaciones "Local First". ¿Por qué no son el estándar de la industria si prometen tanta seguridad y control? Profundizamos en la pesadilla que es la sincronización de datos, abordando conceptos complejos como los Relojes Lógicos Híbridos (HLC) y los Conflict-free Replicated Data Types (CRDTs).

¡No olvides dejarnos en los comentarios qué opinas tú! ¿Te quedarías solo con Postgres? ¿Eres team Bash o team Python? 👇

YouTube: https://www.youtube.com/@DevAndOpsPodcast ▶️
TikTok: https://www.tiktok.com/@devandops 🕺
Instagram: https://www.instagram.com/devandopspodcast 📸
Facebook: https://www.facebook.com/devandops 👍
Spotify: https://open.spotify.com/show/1MuMODYsE4xN6RhOcd8EaG 🎧

📑 Chapters:
(00:00) Bienvenidos a Dev&Ops y la saturación tecnológica
(03:45) Artículo 1: Usar Python en lugar de Bash Scripting
(08:15) La portabilidad de scripts en diferentes sistemas operativos
(16:30) Veredicto: Python para local, Bash para servidores
(22:30) Artículo 2: La trampa de usar la herramienta "correcta"
(28:20) ¿Reemplazar Redis, Mongo y Pinecone solo con PostgreSQL?
(38:45) Complejidad vs Robustez en arquitecturas de bases de datos
(44:00) Artículo 3: El misterio de las aplicaciones Local First
(48:25) El verdadero reto: Sincronización, HLCs y conflictos CRDTs
(54:45) ¿Hay mercado real para las aplicaciones Local First?
(01:03:30) Conclusiones, comentarios y despedida

#devops #programacion #python #bash #postgresql #basededatos #localfirst #softwarearchitecture #backend #podcasttecnologico #desarrollodesoftware

En este episodio de Dev&Ops analizamos un debate que ya no es debate: ¿por qué Linux terminó dominando los servidores web y de aplicaciones?

Recorremos la historia desde los 90s: Perl, CGI, PHP, Java, ASP, ColdFusion, el nacimiento del stack LAMP, el auge de Apache y NGINX, y cómo la comunidad open source inclinó definitivamente la balanza.

No es una conversación basada en fanatismo. Es un análisis histórico y técnico sobre costos, rendimiento, comunidad, estabilidad y cómo la nube terminó de consolidar el dominio de Linux en la web.

🔍 En este episodio aprenderás:

• Cómo el stack LAMP revolucionó el desarrollo web
• Por qué el modelo open source aceleró la adopción de Linux
• Qué papel jugaron PHP, Java, Ruby y ASP en esta batalla
• Cómo el rendimiento y la arquitectura multiusuario marcaron la diferencia
• Por qué la nube terminó de consolidar el dominio de Linux
• En qué áreas Windows sigue siendo el rey (Exchange y Active Directory)

📑 Capítulos recomendados
(00:00) Introducción al EP50
(02:10) ¿Linux vs Windows en servidores? Una batalla ya ganada
(05:46) ¿Qué pasaría si hoy te pidieran montar un servidor web en Windows?
(09:11) Servidores Windows en los 2000: IIS, NT y Windows 2000
(12:00) El factor costo: licencias vs open source
(16:01) Linux como puerta de entrada para desarrolladores
(21:00) Los lenguajes que marcaron la historia web (Perl, CGI, C/C++)
(29:40) El nacimiento de PHP y el auge del stack LAMP
(31:44) Ruby on Rails y su impacto en la web
(37:42) ColdFusion, enterprise y software propietario
(43:38) ASP y el ecosistema cerrado de Windows
(46:45) Java y la era de los Servlets
(51:33) Open source vs propietario: quién inclinó la balanza
(57:44) Comunidad, Apache y la consolidación de Linux
(1:01:03) Automatización y facilidad de despliegue
(1:03:21) Estabilidad, rendimiento y arquitectura multiusuario
(1:13:21) Microsoft adopta Linux en la nube
(1:16:00) La nube como golpe final a la batalla
(1:18:00) Conclusiones: hechos históricos, no fanatismo

¿Tratas a tu base de datos como un simple cajón donde guardas cosas o como el motor principal de tu aplicación? En este episodio de Dev&Ops, Juan y Douglas se sumergen en el mundo de las bases de datos desde la perspectiva del desarrollador.

Hablamos sobre por qué no todo es responsabilidad del DBA y cómo decisiones simples —como elegir el tipo de dato correcto o entender el orden de un índice compuesto— pueden salvar la billetera de tu empresa (y tu salud mental). Exploramos la normalización, el arte de saber cuándo romperla, el uso de transacciones atómicas para evitar desastres y el famoso "Soft Delete". Si quieres que tu aplicación escale sin necesidad de lanzarle más RAM al problema, este episodio es para ti. ¡Dale play y optimiza tu stack!

Únete a nuestras redes sociales:
YouTube: https://www.youtube.com/@DevAndOpsPodcast ▶️
TikTok: https://www.tiktok.com/@devandops 🕺
Instagram: https://www.instagram.com/devandopspodcast 📸
Facebook: https://www.facebook.com/devandops 👍
Spotify: https://open.spotify.com/show/1MuMODYsE4xN6RhOcd8EaG 🎧

📑 Chapters:
(00:00) Intro y bienvenida al podcast
(02:07) El rol del desarrollador frente a la base de datos
(08:45) Normalización: 1ra, 2da y 3ra Forma Normal explicada
(14:16) Por qué quien entiende la base de datos entiende la aplicación
(19:20) Excepciones: ¿Cuándo es bueno duplicar datos?
(22:30) Tipos de datos: El impacto de elegir bien el tamaño
(27:44) Cómo se hace una auditoría de base de datos real
(33:00) Constraints y reglas de negocio: El último bastión de seguridad
(35:48) Transacciones atómicas a nivel de código vs DB
(43:08) Columnas de auditoría y el secreto del Soft Delete
(49:04) Índices compuestos: Por qué el orden de las columnas lo cambia todo
(54:29) Optimizar código vs. escalar recursos: El golpe a la billetera

#devops #basesdedatos #sql #programacion #backend #performance #systemdesign #desarrollodesoftware #tecnologia #dbmanagement

En este episodio hablamos de algo que muchos usamos todos los días… pero pocos entienden a fondo: la infraestructura detrás de un CI/CD pipeline.

¿Qué hay realmente detrás de un simple “runs-on: ubuntu-latest”? ¿Por qué existen los runners personalizados? ¿Cuándo necesitas cache, artifacts o un container registry propio?

Douglas explica el “esqueleto” de un pipeline moderno y cómo estos componentes impactan directamente en rendimiento, seguridad, escalabilidad y costos. Una conversación clave tanto para developers como para quienes trabajan en sistemas, SRE o DevOps.

🔍 En este episodio aprenderás:

• Qué es un runner y por qué no siempre basta con el que te da la nube
• Cuándo necesitas runners privados, efímeros o con Kubernetes
• Cómo funciona el cache en CI/CD y por qué puede reducir builds de 40 a 6 minutos
• Qué son los artifacts y por qué son clave para rollbacks
• Cómo y por qué usar un container registry propio
• Qué pedirle a tu equipo de operaciones cuando tu pipeline es lento

¡Únete a nuestra comunidad online! 👇
YouTube: https://www.youtube.com/@DevAndOpsPodcast ▶️
TikTok: https://www.tiktok.com/@devandops 🕺
Instagram: https://www.instagram.com/devandopspodcast/ 📸
Facebook: https://www.facebook.com/devandops 👍
Spotify: https://open.spotify.com/show/1MuMODYsE4xN6RhOcd8EaG 🎧

📑 Capítulos:
(00:00) Introducción: infraestructura detrás del CI/CD
(01:03) Estado actual y contexto del episodio
(02:00) ¿Qué es realmente el esqueleto de un pipeline?
(09:17) Runners: qué son y cómo funcionan
(14:13) ¿Por qué separar runners de Jenkins o GitLab?
(17:00) Casos reales para usar runners privados
(20:39) Runners efímeros con Kubernetes
(25:37) ¿Un runner puede ser un contenedor?
(29:00) Cache en CI/CD: qué es y por qué es crítico
(33:00) Cómo el cache acelera pipelines grandes
(39:33) Artifacts: qué son y para qué sirven
(45:14) Cache vs Artifacts: cuándo usar cada uno
(51:00) Container Registry como parte del pipeline
(55:00) Seguridad y tokens temporales
(57:19) Reflexión final para developers y SREs
(1:01:04) Cierre del episodio