Cómo construí Book-Writer-AI en unos pocos días: Stack tecnológico, arquitectura y desafíos

Cómo construí Book-Writer-AI en unos pocos días: Stack tecnológico, arquitectura y desafíos

En los últimos días lancé Book-Writer-AI, una pequeña SaaS que genera libros completos con IA capítulo a capítulo y con control sobre tono, ritmo, personajes y estructura. El objetivo fue entregar un MVP funcional rápidamente priorizando estructura, coherencia y generación predecible. Como empresa de desarrollo de software a medida Q2BSTUDIO aplicamos la misma filosofía en proyectos reales, desde aplicaciones a medida hasta soluciones de inteligencia artificial y ciberseguridad.

Tecnologías utilizadas y por qué las escogí. Backend PHP sin framework para mantener la base de código simple y ligera. Base de datos MySQL con tablas SQL diseñadas manualmente que actúan como memoria persistente para la historia. Redis como sistema de caché y cola para gestionar trabajos, reintentos y estado. Frontend con Bootstrap para acelerar el desarrollo de la interfaz. Modelos IA: Claude 3.5 Sonnet y OpenAI GPT-4.1 como fallback. Pagos con Stripe y hosting en un VPS Ubuntu básico. Esta combinación permitió iterar rápido y controlar costes.

El reto principal: los LLMs no son buenos escribiendo libros largos. Incluso con ventanas de contexto enormes los modelos tienden a perder coherencia: personajes que cambian, hilos narrativos olvidados, deriva de estilo y problemas de contexto. Intentar generar 30k a 50k palabras en una sola petición es poco fiable. La solución fue diseñar una arquitectura que genere piezas pequeñas y coherentes enlazadas a una estructura global almacenada en SQL.

Arquitectura de historias en varias capas. Creé dos estructuras SQL clave. Primera: tabla plot_structure que guarda la macroestructura del libro actos, arcos, puntos de giro, clímax y resolución. Al generar capítulos envío al modelo solo la porción relevante de esa estructura en lugar del libro entero para mantener el prompt corto y dirigido. Segunda: tabla chapter_parts que divide cada capítulo en microescenas de 300 a 500 palabras con metadatos precisos como punto de vista, personajes, ambientación, eventos clave, objetivos de conteo de palabras y la parte generada. Este enfoque evita que el capítulo 7 sea irrelevante respecto al capítulo 3.

Control de tono, ritmo y estilo mediante ratios. Para mantener una identidad estilística consistente implementé un sistema ligero de ratios numéricos por parte: tension, descriptive_tone, character_development, action_level, emotional_intensity, dialogue_ratio y pacing. Los valores se normalizan entre 0 y 1 y se inyectan en el prompt como instrucciones del tipo aumentar dialogo a 0.70 reducir tono descriptivo a 0.30 mantener tension en 0.55. Este método da guía sin microgestionar la generación y funciona mejor que pedir simplemente escribir como X.

Redis para velocidad y tolerancia a fallos. La generación es lenta, cara y a veces falla. Redis maneja colas de trabajo, estados pending writing finished failed, lógica de reintentos y cache de fragmentos ya generados. Esto mantiene el backend en PHP muy ligero y escalable.

Funcionalidad social: publicar libros públicamente. Sin planearlo añadí la opción de hacer públicos los libros generados. Esto resultó ser una fuente de descubrimiento y prueba social, además de generar tráfico y retención al permitir que usuarios exploren la producción de otros. Es un pequeño motor de crecimiento orgánico.

Tiempo de desarrollo y aprendizajes. Todo el sistema se construyó en pocos días: generador de tramas, generador de capítulos, esquema de base de datos, interfaz y lógica de pagos. No es perfecto pero genera historias multi-capítulo con coherencia aceptable y sobre todo cumple su propósito: funciona y se lanza. Lecciones clave aprendidas: los LLMs necesitan estructura no libertad; los modelos de largo contexto aún derivan; fragmentar la obra en partes pequeñas es esencial; la coherencia es un problema arquitectónico no solo de prompts; y SQL es una excelente extensión de memoria para los LLMs.

Aplicación práctica para empresas. Si tu empresa necesita soluciones similares o desea integrar capacidades de generación de texto, agentes IA o automatizaciones robustas, en Q2BSTUDIO ofrecemos desarrollo de software a medida y aplicaciones a medida así como proyectos de inteligencia artificial e ia para empresas. También combinamos servicios cloud aws y azure, ciberseguridad y servicios inteligencia de negocio con implementaciones de Power BI para entregar soluciones end to end.

Palabras clave y áreas de impacto. Este tipo de proyecto conecta directamente con términos de búsqueda como aplicaciones a medida software a medida inteligencia artificial ciberseguridad servicios cloud aws y azure servicios inteligencia de negocio ia para empresas agentes IA y power bi y puede servir como caso de uso para equipos que buscan prototipar funciones avanzadas con bajo coste inicial.

Si quieres validar una idea similar o necesitas consultoría técnica para llevar una solución de IA generativa a producción ponte en contacto con nuestro equipo en Q2BSTUDIO y te ayudamos a definir arquitectura, seguridad, despliegue en cloud y estrategias de escalado.