Python Backend Engineer — Career Path 2026

01

Nivel 1

Trainee

Cimentación sin atajos. Antes de construir servicios reales, hay que entender cómo Python modela la realidad en memoria, cómo se comunican los sistemas en la red y por qué la calidad de código no es opcional. Cada tema de niveles superiores tiene raíces aquí.

Área	Tema Específico	Objetivo	Dif.	Recursos	Proyecto / Validación	Criterio de Éxito
Sintaxis Core	Variables, tipos mutables vs inmutables y model de memoria int · float · str · bool · None · identity vs equality · `is` vs `==` · reference counting · interning	Entender cómo Python gestiona objetos en memoria para predecir el comportamiento del código y evitar bugs silenciosos por referencias compartidas.	Fácil	Real Python: Variables & Memory Harvard CS50P	Predecir correctamente el output de 15 snippets con mutación de listas, referencias compartidas y comparaciones de identidad. Explicar cada resultado.	Python15/15 predicciones correctas; explicación del modelo de memoria con `id()` como evidencia; diferencia entre `copy()` y `deepcopy()` demostrada.
Sintaxis Core	Funciones: scope LEGB, args/*kwargs, closures y decoradores Scope LEGB · funciones como ciudadanos de primera clase · `functools.wraps` · decoradores con parámetros Variables y tipos	Comprender cómo Python resuelve nombres y cómo las funciones capturan estado externo — fundamento de decoradores, middleware y cualquier patrón de orden superior.	Fácil	Real Python: LEGB Scope Real Python: Decorators	Implementar un decorador de logging y un decorador de retry con backoff exponencial, ambos sin librerías externas, funcionando con cualquier firma de función.	PythonDecoradores usan `functools.wraps`; preservan `__name__` y `__doc__`; retry funciona con `args/*kwargs` arbitrarios; testeable en aislamiento.
Estructuras de Datos	list, dict, set, tuple: complejidad O(n) y cuándo usar cada uno Hash tables · acceso O(1) vs O(n) · comprensiones · generadores · `collections`: deque, Counter, defaultdict Variables y tipos	Seleccionar la estructura de datos correcta basándose en el patrón de acceso y la complejidad temporal — decisión que define el rendimiento de cualquier servicio bajo carga.	Fácil	Python Time Complexity Wiki Python docs: collections	Procesar un CSV de 500k filas con generadores sin cargarlo en memoria. Analizar logs de acceso calculando top-10 IPs y sliding window de errores con `Counter` y `deque`.	PythonUso de memoria constante O(1) en el procesamiento del CSV; top-10 IPs con `Counter.most_common()`; no usa `sorted()` innecesariamente sobre dicts.
OOP	Clases, herencia, MRO y dunder methods esenciales `__init__` · `@property` · `@classmethod` · `@staticmethod` · `__str__` · `__repr__` · `__eq__` · `__hash__` · MRO · composición vs herencia Funciones y closures	Modelar entidades del dominio con encapsulamiento adecuado y objetos que se integren naturalmente con las estructuras de datos nativas de Python.	Medio	Real Python: OOP en Python Python Data Model Docs	Diseñar clase `Money(amount, currency)` usable en `set()`, comparable con `==`, con `repr()` reproducible. Luego un sistema de facturación con `Product`, `Cart`, `Invoice`.	Python`Money` funciona en `set()` y como clave de `dict`; lógica de negocio encapsulada; sin más de 2 niveles de herencia; comportamiento compartido como mixins.
Calidad de Código	PEP 8, type hints completos, ruff y mypy Anotaciones de tipos · `mypy --strict` · docstrings estilo Google · ruff como linter/formatter · `typing`: Optional, Union, TypeVar, Protocol OOP + estructuras de datos	Escribir código que un colaborador entienda sin explicación verbal, que las herramientas puedan analizar estáticamente y que permita refactorizaciones seguras a gran escala.	Fácil	Ruff Linter / Formatter mypy Docs	Pasar `ruff check .` y `mypy --strict .` sin errores en un proyecto de 500+ líneas. Todas las funciones públicas con type hints, docstrings y validación de contratos con `Protocol`.	Python0 errores ruff ni mypy; todas las funciones públicas con type hints y docstring; `Protocol` usado al menos una vez como interfaz de dependencia.
Manejo de Errores	Excepciones: jerarquía, custom exceptions y manejo explícito `try/except/else/finally` · nunca `except Exception` genérico · excepciones de dominio · context managers con `__enter__`/`__exit__` OOP (clases y dunder methods)	Gestionar fallos de forma explícita con excepciones de dominio que comuniquen contexto de negocio, evitando los patrones que silencian errores reales.	Fácil	Real Python: Exceptions Real Python: Context Managers	Librería CLI de procesamiento de archivos con excepciones propias: `FileFormatError`, `DataValidationError`; context manager personalizado que garantiza limpieza de recursos.	PythonSin `except Exception` genérico; cada excepción captura sólo lo que puede manejar; context manager probado con `pytest` verificando limpieza ante excepción.
HTTP y APIs	Protocolo HTTP: métodos, status codes, headers y REST GET/POST/PUT/PATCH/DELETE · 2xx/4xx/5xx · Content-Type · Authorization · idempotencia · HATEOAS · OpenAPI 3.1 conceptos Manejo de errores + estructuras de datos (JSON)	Entender la comunicación cliente-servidor con la profundidad necesaria para diseñar APIs correctas desde el primer endpoint — fundamento de todo lo que viene después.	Fácil	MDN HTTP Docs RFC 9110: HTTP Semantics	Cliente CLI con `httpx` que consuma la API pública de MercadoLibre: buscar productos, filtrar por precio, manejar paginación, 429 con retry y exportar top-20 en JSON.	PythonRetry automático con backoff ante 429; nunca ignora el status code; paginación completa hasta agotar resultados; output JSON reproducible.
Git	Git workflow: commits semánticos, branching y rebase interactivo Conventional Commits · feature branches · merge vs rebase · `git rebase -i` · resolución de conflictos · `git bisect` Calidad de código (proyecto base)	Colaborar en equipos con un historial limpio, rastreable y reversible — habilidad que distingue a ingenieros que trabajan en solitario de los que amplifican a su equipo.	Fácil	Learn Git Branching (interactivo) Conventional Commits Spec	Mantener un proyecto de 4 semanas con +20 commits semánticos, 3 feature branches, 1 rebase interactivo documentado y resolución de 1 conflicto de merge explicado.	Historial lineal y legible; commits atómicos tipo `feat(auth): add JWT validation`; ningún commit con mensaje "fix" genérico o "wip" sin rebase previo.
I/O y Entorno	Entornos virtuales, gestión de dependencias y packaging moderno venv · uv · pyproject.toml · hatch · semver · lockfiles · `pathlib` · `csv`/`json` modules · encoding UTF-8/Latin-1 Calidad de código + HTTP (proyecto práctico)	Empaquetar y aislar proyectos Python de forma reproducible para que cualquier colaborador replique el entorno exacto en un solo comando, sin "en mi máquina funciona".	Fácil	uv — Next-gen Python package manager pyproject.toml guide	ETL script: leer CSVs de múltiples carpetas con `pathlib`, transformar y exportar JSON con manejo de encoding. Proyecto con `uv` + `pyproject.toml` instalable en un comando.	PythonUsa `pathlib.Path`, no `os.path`; cierra archivos siempre con context managers; `uv install` reproduce el entorno idéntico en una VM limpia.
Algoritmos	Algoritmos esenciales y complejidad Big-O aplicada Búsqueda binaria · ordenamiento · BFS/DFS · hashing · two pointers · sliding window · análisis de complejidad temporal y espacial Estructuras de datos (complejidad O)	Resolver problemas de lógica bajo restricciones de tiempo con la solución óptima — destreza que diferencia al ingeniero que escala servicios del que los degrada.	Medio	NeetCode.io (roadmap estructurado) LeetCode Easy → Medium	Resolver 30 problemas LeetCode (Easy/Medium) usando la estructura de datos óptima. Documentar Big-O temporal y espacial de cada solución con justificación.	Python30 problemas con complejidad óptima demostrada; justificación escrita de por qué se elige dict vs set vs list en cada caso; sin fuerza bruta en problemas que admiten solución lineal.

02

Nivel 2

Junior Developer

De scripts a servicios. El Junior construye APIs funcionales con persistencia, validación y pruebas. La fiabilidad es el sello distintivo: código que no sólo funciona, sino que demuestra que funciona mediante tests automatizados y logs observables.

Área	Tema Específico	Objetivo	Dif.	Recursos	Proyecto / Validación	Criterio de Éxito
FastAPI	FastAPI: routers, path/query params, request body y OpenAPI APIRouter · `response_model` · `status_code` · tags · versioning con prefijos · OpenAPI 3.1 auto-generado HTTP + REST (Trainee) + OOP	Estructurar una API en módulos con separación de responsabilidades desde el primer commit, generando documentación OpenAPI navegable automáticamente.	Medio	FastAPI: Bigger Applications TestDriven.io: FastAPI CRUD	API de e-commerce con módulos `products`, `orders`, `users` — cada uno con su router y OpenAPI tags. Swagger UI navegable con todos los endpoints documentados.	PythonSwagger UI completo y navegable; sin lógica de negocio en routers; cada endpoint con `response_model` y `status_code` explícitos; versionado con prefijo `/api/v1`.
Pydantic v2	Pydantic v2: BaseModel, validators, Settings y serialización `@field_validator` · `@model_validator` · `model_config` · alias · `SecretStr` · `pydantic-settings` para env vars FastAPI (integración directa) + OOP (herencia de BaseModel)	Garantizar integridad de datos en el borde de la API con validaciones expresivas y separar la configuración del código para deploys seguros en múltiples entornos (12-factor).	Medio	Pydantic v2 Docs pydantic-settings Docs	Esquemas para sistema de pagos: `CreatePaymentRequest` con validación cruzada de moneda/monto/tarjeta. Settings tipados que cargan de `.env` en dev y env vars en prod sin cambiar código.	PythonErrores de validación con `loc` y `msg` claros; cero strings hardcodeadas para config; secrets manejados como `SecretStr`; sin validación manual en endpoints.
FastAPI Avanzado	Dependency Injection: Depends() y lifespan events `Depends()` · `async with lifespan(app)` · DB session per request · cliente HTTP reutilizable · yields en dependencias FastAPI básico + Pydantic Settings	Manejar recursos compartidos (conexiones a DB, HTTP clients) de forma eficiente y sin fugas, garantizando que cada request recibe y libera sus recursos correctamente.	Medio	FastAPI: Dependencies FastAPI: Lifespan Events	Dependency que provee sesión de DB por request y la cierra al terminar; cliente `httpx.AsyncClient` reutilizado via lifespan; sin session leaks verificado con logging SQL.	PythonSin session leaks bajo carga; `async with lifespan(app)` para inicialización global; dependencias testeables en aislamiento con override en pytest.
PostgreSQL	PostgreSQL: DDL, DML, JOINs, índices y EXPLAIN ANALYZE PRIMARY KEY · FOREIGN KEY · UNIQUE · índices B-tree · INNER/LEFT JOIN · GROUP BY · window functions · `EXPLAIN ANALYZE` Estructuras de datos (modelos relacionales) + HTTP (API que persiste datos)	Diseñar esquemas en 3NF que garanticen integridad a nivel de base de datos y escribir consultas eficientes con diagnóstico del plan de ejecución antes de llegar a producción.	Medio	PostgreSQL Tutorial Use The Index, Luke!	Esquema e-commerce en 3NF: usuarios, productos, categorías, órdenes, ítems. Report de top-10 productos del mes con window function; EXPLAIN ANALYZE sin Seq Scan en tablas >10k filas.	PythonConstraints a nivel DB; FK con ON DELETE CASCADE donde corresponde; query del report < 200ms en dataset de prueba; EXPLAIN ANALYZE como evidencia adjunta.
SQLAlchemy 2.0	SQLAlchemy 2.0: modelos declarativos, relaciones y AsyncSession `Mapped[]` · `relationship()` · lazy/eager loading · `selectin` · N+1 query problem · Alembic migrations PostgreSQL + FastAPI DI (AsyncSession via Depends)	Mapear el dominio a tablas relacionales evitando el N+1 query problem desde el diseño, con migraciones que evolucionen el esquema sin downtime.	Medio	SQLAlchemy 2.0 Docs Alembic Docs	ORM completo para e-commerce con relaciones; 0 queries N+1 verificados con logging SQL; 5 migraciones Alembic incluyendo una con data migration; downgrade exitoso en todas.	PythonCarga con `selectin` en endpoints de listado; sin `lazy="select"`; cada migración probada con upgrade+downgrade en entorno limpio antes de merge.
Testing	Pytest: fixtures, parametrize, conftest y cobertura scope de fixtures · factories con Faker · `pytest-cov` · `@pytest.mark.parametrize` · integración con FastAPI TestClient FastAPI + SQLAlchemy (lo que se testea) + Manejo de errores	Construir una suite de pruebas que documente el comportamiento esperado y detecte regresiones automáticamente — el contrato vivo del servicio con sus consumidores.	Medio	Pytest Official Docs TestDriven.io: FastAPI Testing	Suite de +50 tests para la API de e-commerce; cobertura >80%; factories con Faker; tests completamente aislados entre sí sin orden de ejecución implícito.	PythonTests aislados; cobertura verificada con `pytest-cov`; Faker genera datos realistas; cada test sigue patrón Arrange-Act-Assert explícitamente.
Testing	Mocking: unittest.mock, pytest-mock y AsyncMock `patch()` · `MagicMock` · `AsyncMock` · `side_effect` · `httpx` mock transports · test doubles Pytest (suite de tests base)	Aislar unidades de código de sus dependencias externas para probarlas de forma determinista, rápida y sin costos de red ni bases de datos.	Medio	Python docs: unittest.mock HTTPX Mock Transports	Tests unitarios para un servicio de notificaciones que mockea SMTP y API de SMS; suite completa ejecuta en < 2s; 0 llamadas a servicios externos en los unit tests.	PythonTests ejecutan en < 2s; 0 llamadas externas verificado con `assert_called_once_with`; `side_effect` simula errores de red para paths de error.
Auth	JWT: generación, validación, refresh tokens y revocación PyJWT · RS256 vs HS256 · payload design · TTL · refresh token rotation · revocación en Redis · `python-jose` FastAPI DI + Pydantic Settings (secretos) + HTTP (headers de auth)	Implementar autenticación stateless sin comprometer la seguridad, con rotación de refresh tokens y capacidad de revocación inmediata ante compromiso.	Medio	FastAPI: OAuth2 + JWT JWT.io Debugger	Sistema auth completo: registro, login, refresh token rotation, logout con revocación en Redis. Access token 15min TTL; refresh token en cookie httpOnly con SameSite=Strict.	PythonAccess token RS256; refresh rotation funcional; revocación inmediata verificada con test; sin tokens en localStorage; cookie con flags de seguridad correctos.
Observabilidad	Logging estructurado con structlog y correlation IDs JSON logs · `request_id` por request · niveles y handlers · `structlog` · logs legibles en dev, JSON en prod · middleware de correlación FastAPI (middleware) + Manejo de errores + Pydantic Settings (entorno)	Producir logs que un sistema de observabilidad pueda indexar, buscar y correlacionar — fundamento para poder diagnosticar fallos en producción sin acceso al servidor.	Fácil	structlog Docs 12-Factor App: Logs	Middleware FastAPI que inyecta `request_id` en cada log del request; JSON en producción, human-readable en dev; todos los logs de un request comparten el mismo ID.	PythonTodos los logs del mismo request con `request_id` correlacionable; sin `print()` en el código; nivel de log configurable por env var sin cambiar código.
Docker	Docker: multi-stage builds, imagen mínima y Docker Compose Builder + runtime layers · imagen <150MB · non-root user · `healthcheck` · Compose con DB + cache + healthchecks · `.dockerignore` I/O y entorno (packaging) + pydantic-settings (env vars en contenedores)	Empaquetar la aplicación en imágenes reproducibles y seguras; levantar el stack local completo en un comando para onboarding de equipo en < 5 minutos.	Medio	Docker: Multi-stage Builds Snyk: Python Docker Best Practices	Imagen multi-stage para FastAPI <150MB; usuario no-root; Compose con app + PostgreSQL + Redis y healthchecks; API sólo arranca cuando DB pasa healthcheck; datos persisten entre reinicios.	PythonImagen <150MB; 0 vulnerabilidades críticas con `docker scout`; `depends_on` con condición de healthcheck; setup < 2 min desde cero en máquina limpia.

03

Nivel 3

Semi-Senior (SSR)

Autonomía técnica y visión de sistemas. El SSR diseña para la concurrencia real, desacopla responsabilidades con patrones arquitectónicos, introduce mensajería asíncrona y automatiza la entrega end-to-end. Ya no sólo construye features: construye la plataforma que los soporta.

Área	Tema Específico	Objetivo	Dif.	Recursos	Proyecto / Validación	Criterio de Éxito
Async / Concurrencia	asyncio: event loop, coroutines, tasks, gather y Semaphore `asyncio.create_task()` · `asyncio.gather()` · `asyncio.timeout()` · `Semaphore` · `Queue` · backpressure · async generators FastAPI async (Junior) + manejo de errores (timeout handling)	Diseñar servicios que manejen miles de conexiones I/O concurrentes sin bloquear el event loop, controlando el flujo para evitar saturación de recursos downstream.	Difícil	Python asyncio Docs Real Python: Async IO	Agregador de noticias que consulta 100 fuentes RSS simultáneamente con `Semaphore(20)` para no saturar la red, timeout por fuente y memoria estable bajo carga sostenida de 60s.	PythonTiempo total ≈ max(fuente más lenta) + overhead; sin deadlocks bajo load test; memoria estable; `asyncio.timeout()` por fuente individual.
HTTP Async	httpx AsyncClient: connection pooling, retry y circuit breaker `AsyncClient` reutilizable · backoff exponencial con tenacity · circuit breaker con pybreaker · timeout adaptativo · fail-fast asyncio + FastAPI DI (lifespan para el cliente) + manejo de errores	Construir clientes HTTP asíncronos para comunicación inter-servicio resilientes ante fallos transitorios que no bloqueen el event loop ni propaguen fallos en cascada.	Difícil	HTTPX Docs Tenacity (retry library)	Clase `ServiceClient` con retry exponencial configurable, timeout adaptativo y circuit breaker; falla rápido cuando el servicio upstream está caído; tests con httpx MockTransport.	PythonCircuit breaker se abre tras 5 fallos consecutivos; upstream caído retorna fallback en < 500ms; 0 llamadas reales en tests gracias a MockTransport.
Redis Avanzado	Redis: estrategias de caché, pub/sub, streams y distributed locks Cache-aside · write-through · cache stampede prevention · TTL patterns · sliding window rate limiter · XADD/XREAD · Redlock Auth (tokens en Redis) + asyncio (async Redis client)	Usar Redis como plataforma de mensajería, coordinación y caché avanzada — reducir latencia P95 en >60% en rutas populares y garantizar coordinación distribuida correcta.	Medio	Redis Official Docs Redis University	Rate limiter por usuario con sliding window counter en Redis; distributed lock que evita procesamiento duplicado; caché hit ratio >80% medido bajo escenario realista con Locust.	PythonRate limit exacto bajo 100 req simultáneos; lock libera siempre incluso ante crash del proceso; cache hit ratio >80% verificado con métricas de Redis.
Background Jobs	Celery: task definition, routing, retry y Celery Beat `@shared_task` · `bind=True` · max_retries · ETA/countdown · crontab · Flower dashboard · worker concurrency Redis (broker) + asyncio concepts (entender diferencias) + logging estructurado	Desacoplar tareas pesadas del ciclo HTTP para mantener tiempos de respuesta <200ms en la API, con orquestación de trabajos programados y visibilidad operativa en tiempo real.	Difícil	Celery Project Docs Flower Dashboard Docs	Sistema de reportes PDF en background: endpoint retorna en <50ms; retry automático con backoff; Beat para job nocturno de reconciliación; alertas Slack si falla; métricas en Flower.	PythonEndpoint <50ms; reintento con backoff ante fallo; 0 tareas huérfanas; alert en Slack si tarea no corre en su ventana; tasa de éxito >99% en 7 días.
Arquitectura	Repository Pattern, Unit of Work y principios SOLID en Python Abstracción de persistencia · `Protocol` typing · in-memory repository · inversión de dependencias · OCP · SRP · DIP SQLAlchemy (lo que se abstrae) + Pytest (tests de dominio sin DB) + OOP avanzado	Separar la lógica de negocio pura de los detalles de almacenamiento para que sea testeable en aislamiento y extensible sin modificar el código existente.	Difícil	Architecture Patterns with Python (Percival & Gregory) Real Python: SOLID	Refactorizar un servicio para que su lógica de dominio se pruebe sin base de datos usando un in-memory repository; añadir canal de notificación nuevo sin modificar el servicio existente.	PythonTests de dominio <1s sin Docker; intercambiar SQL↔in-memory sin tocar la lógica; nuevo canal de notificación sólo requiere implementar un `Protocol`.
Mensajería	Event-driven con RabbitMQ o Kafka: producers, consumers e idempotencia Producers · consumers · dead letter queue · idempotency key · exactly-once semantics · outbox pattern · `aiokafka` / `aio-pika` asyncio + Redis (ya conoce mensajería simple) + Repository Pattern (outbox)	Desacoplar microservicios mediante eventos para lograr consistencia eventual y tolerancia a fallos parciales — arquitectura base de empresas como Uber, Shopify e Instagram.	Difícil	RabbitMQ Tutorials Kafka Documentation	Sistema de pedidos donde `orders-service` publica eventos y `inventory-service` los consume idempotentemente con outbox pattern; DLQ con alertas; mensaje duplicado procesado una sola vez.	PythonIdempotency key previene doble procesamiento verificado con test de replay; outbox garantiza at-least-once; DLQ recibe mensajes fallidos con contexto completo.
CI/CD	GitHub Actions / GitLab CI: pipelines completos y seguridad en CI lint → test → build → scan → deploy · matrix strategy · reusable workflows · Trivy · pip-audit · SARIF · branch protection Docker (lo que se construye y escanea) + Testing (lo que corre en CI) + Git workflow	Automatizar el ciclo completo de validación y despliegue para eliminar deploys manuales e integrar seguridad en el pipeline desde el inicio.	Medio	GitHub Actions Docs pip-audit (Python SCA)	Pipeline con 4 gates: pip-audit (SCA) → ruff+mypy (lint) → pytest (tests) → Trivy (image scan) → deploy a staging; PR sin verde no puede hacer merge; secrets nunca en logs.	PythonCVE crítica en dependencia bloquea el merge; SARIF exportado a GitHub Security tab; deploy automático sólo si todos los checks pasan; 0 credenciales en artefactos.
Cloud / AWS	AWS Core: ECS/Fargate, RDS, S3, ElastiCache, SQS e IAM roles Task definitions · ALB · Parameter Store · IAM least privilege · VPC privada · auto scaling · boto3 para automatización Docker (contenedores en ECS) + pydantic-settings (config desde Parameter Store) + Celery (SQS como broker)	Desplegar una arquitectura de microservicios en AWS sin gestionar servidores, con escalado automático, alta disponibilidad y acceso a recursos sin credenciales hardcodeadas.	Medio	AWS ECS Docs AWS Well-Architected Labs	Stack completo en Fargate: 2 servicios con ALB, RDS en subnet privada, ElastiCache y SQS; todo definido en Terraform; acceso a S3 via IAM task role sin access keys; auto scaling ante CPU >70%.	PythonRDS inaccesible desde internet; boto3 script audita que no hay buckets S3 públicos; auto scaling activa en <60s; 0 credenciales en variables de entorno de tareas.
NoSQL	MongoDB: document modeling, agregaciones y elección SQL vs NoSQL Embedded vs referenced · índices compuestos · aggregation pipeline · `$lookup` · `Motor` async driver · cuándo NO usar MongoDB PostgreSQL (contraste de modelos) + asyncio (Motor async driver) + Repository Pattern	Modelar datos no estructurados o con esquema variable eligiendo entre embedding y referencias según patrones de acceso — y saber cuándo PostgreSQL es siempre mejor.	Medio	MongoDB Official Docs MongoDB University	Catálogo de productos con atributos variables por categoría en MongoDB; aggregation para analytics de ventas por región; justificación documentada de cada decisión embedding vs reference.	PythonPipeline de aggregation sin `$lookup` innecesario; Motor async client via Repository Pattern; ADR documentando por qué MongoDB sobre PostgreSQL para este caso concreto.
Load Testing	Locust o k6: escenarios de carga, análisis de P95 y bottlenecks Virtual users · ramp-up · P50/P95/P99 latency · throughput · identificación del cuello de botella · Locust en Python FastAPI + Redis (caché que mejora resultados) + PostgreSQL (DB como bottleneck potencial)	Identificar cuellos de botella antes de producción mediante pruebas de carga representativas, con evidencia cuantitativa de la mejora después de cada optimización.	Medio	Locust Docs (Python) k6 Docs	Escenario de 500 usuarios simultáneos sobre la API; identificar el bottleneck principal con evidencia; resolver y re-testear; documentar mejora de P95 antes vs después.	PythonP95 latency <500ms bajo 500 usuarios tras la optimización; bottleneck identificado con evidencia (EXPLAIN ANALYZE, profiler o Redis stats); mejora documentada con gráficas de Locust.

04

Nivel 4

Senior Engineer

Arquitecto de resiliencia y sistemas distribuidos. El Senior diseña para la consistencia eventual, instrumenta observabilidad end-to-end, optimiza con evidencia de profiler y eleva el nivel técnico del equipo a través de decisiones documentadas con ADRs.

Área	Tema Específico	Objetivo	Dif.	Recursos	Proyecto / Validación	Criterio de Éxito
System Design	CAP Theorem, consistencia eventual y PACELC CP vs AP trade-offs · read-your-writes · monotonic reads · linearizability · eventual consistency patterns · saga pattern Mensajería event-driven + MongoDB + PostgreSQL (contraste de garantías) + Redis	Tomar decisiones arquitectónicas informadas sobre modelos de consistencia según los requisitos de negocio — fundamento de todo diseño a escala de MercadoLibre, Uber o Stripe.	Experto	Designing Data-Intensive Apps (Kleppmann) System Design Interview — Alex Xu	Diseñar el sistema de inventario de un e-commerce: justificar si priorizar disponibilidad o consistencia en cada operación; implementar saga pattern para el flujo de checkout distribuido.	PythonADR con análisis CAP/PACELC para las 3 operaciones críticas; saga compensatoria implementada en Python con Celery; rollback automático ante fallo parcial verificado con chaos test.
System Design	Sharding, replicación y particionamiento de bases de datos Horizontal sharding · consistent hashing · read replicas · replication lag · hot spots · pgBouncer · connection pooling CAP Theorem + PostgreSQL avanzado + Load Testing (evidencia de necesidad)	Escalar la capa de persistencia más allá de una instancia única sin sacrificar la consistencia de datos críticos — habilidad que distingue a ingenieros de Stripe o Netflix.	Experto	Use The Index, Luke! pgBouncer Docs	Diseño de un URL shortener a 100M URLs/día con sharding por hash de alias, read replica para analytics y pgBouncer para connection pooling; benchmark documentado con `pgbench`.	PythonDiagrama con estrategia de sharding, análisis de hot-spots y plan de rebalanceo; pgBouncer reduce conexiones activas en >80%; `psycopg3` en Python conecta al pool correctamente.
Performance	Database query optimization: EXPLAIN ANALYZE, índices avanzados y N+1 Partial indexes · BRIN vs B-tree · covering indexes · prepared statements · query plan forcing · `pg_stat_statements` Sharding/replicación + SQLAlchemy (N+1 ya introducido) + EXPLAIN básico (Junior)	Optimizar la capa de base de datos para soportar carga de producción sin escalar hardware innecesariamente, con evidencia cuantitativa de cada mejora.	Experto	explain.depesz.com (visualizador) pg_stat_statements Docs	Reducir la query más lenta de una API de analytics de 2s a <200ms; documentar cada cambio con EXPLAIN ANALYZE antes/después; 0 Seq Scans en tablas >100k filas tras la optimización.	PythonEXPLAIN ANALYZE evidencia mejora ≥10x; partial index aplicado donde <20% de filas califican; `pg_stat_statements` identifica la siguiente query costosa automáticamente.
Performance	Profiling: py-spy, cProfile, memory_profiler y flamegraphs Sampling vs instrumenting profilers · heap profiling · call stack analysis · `tracemalloc` · Austin · Scalene asyncio (profiling de coroutines) + Load Testing (evidencia del problema)	Localizar cuellos de botella con evidencia cuantitativa antes de optimizar — evitar premature optimization es la diferencia entre un senior y alguien que "arregla" lo que no está roto.	Experto	py-spy (sampling profiler) Python Speed: Profiling Tools	Identificar y resolver los 3 hotspots principales de una API con flamegraph de py-spy en producción sin parar el proceso; documentar reducción ≥40% de CPU time con benchmarks antes/después.	PythonFlamegraph generado desde proceso en vivo; reducción ≥40% CPU en el endpoint más costoso; memory_profiler confirma 0 memory leaks tras la optimización.
Performance	Python 3.13+ free-threading (no-GIL) para workloads CPU-bound GIL history · `PYTHON_GIL=0` · `threading` sin GIL · shared state safety · benchmarking con `concurrent.futures` · vs multiprocessing asyncio (I/O-bound) + Profiling (evidencia de cuándo aplica) + OOP (thread safety)	Explotar paralelismo real en tareas CPU-intensivas en Python 3.13+ que antes requerían multiprocessing, comparando enfoques con benchmarks rigurosos.	Experto	What's New in Python 3.13 Real Python: Free-threading Python 3.13	Motor de scoring de recomendaciones: comparar single-thread vs multiprocessing vs free-threading en Python 3.13 con 8 cores; documentar speedup real y correctitud thread-safe.	PythonSpeedup ≥3x demostrado con `PYTHON_GIL=0` vs single-thread en tarea CPU-bound; análisis de correctitud con tests de concurrencia; benchmarks reproducibles con `timeit`.
Observabilidad	OpenTelemetry: traces, métricas y logs correlacionados end-to-end Spans · baggage · context propagation · OTel Collector · OTLP exporter · auto-instrumentation · Jaeger · correlación trace-log Logging estructurado (correlation IDs) + asyncio (tracing de coroutines) + Mensajería (propagación cross-service)	Instrumentar un ecosistema de microservicios para que cualquier petición sea rastreable de extremo a extremo — estándar de observabilidad en Netflix, Uber y Stripe.	Difícil	OTel Python Docs Honeycomb Whitepapers (SLO)	3 microservicios con OTel auto + manual instrumentation; traces completas en Jaeger; correlación trace-log-metric por `trace_id`; diagnóstico de petición fallida en <2 min sin acceder al servidor.	PythonDada petición fallida, identificar servicio y línea causante en <2 min; spans de queries SQL visibles en Jaeger; context propagado correctamente a través de Kafka y HTTP.
Observabilidad	Prometheus + Grafana: SLI/SLO, error budgets y burn rate alerts RED method · PromQL · recording rules · SLO burn rate alerts · Alertmanager · 0 false positives · Thanos para retención OpenTelemetry (métricas ya exportadas) + FastAPI (instrumentación) + CAP/Resiliencia	Definir y monitorear Service Level Objectives que reflejen la experiencia real del usuario, alertando antes de consumir el error budget — práctica estándar de SRE en Google y Netflix.	Difícil	Prometheus Docs Google SRE Workbook: Alerting on SLOs	Dashboard con métricas RED para cada servicio; alert de SLO burn rate que dispara cuando el error rate consume el 5% del error budget en 1 hora; 0 false positives en 48hs de monitoring.	PythonAlert dispara en escenario de prueba en <1 min; 0 false positives en 48hs; dashboard exportable como código con Grafana-as-code (Grafonnet o Terraform provider).
Seguridad AppSec	OAuth2 / OIDC, RBAC/ABAC y OWASP API Security Top 10 Authorization Code Flow · PKCE · Keycloak / Auth0 · scopes · claims · Broken Object Level Auth · Mass Assignment · token introspection Auth JWT (Junior) + FastAPI DI (guards) + API design	Integrar autenticación delegada con un IdP externo y diseñar control de acceso granular que resista los 10 vectores de ataque más comunes en APIs según OWASP 2023.	Difícil	OWASP API Security Top 10 (2023) Keycloak Docs	API protegida con Keycloak: PKCE flow para SPA, client credentials para M2M; RBAC por roles; audit propio con checklist OWASP API Top 10; al menos 3 vulnerabilidades corregidas con evidencia.	PythonBOLA y Mass Assignment corregidos verificados con tests de penetración básicos; tokens no almacenados en localStorage; revocación inmediata al logout; scan Semgrep sin hallazgos críticos.
API Avanzado	gRPC, GraphQL y diseño de APIs a escala multi-versión Protocol Buffers · streaming bidireccional · `grpcio` Python · GraphQL con Strawberry · API versioning strategies · backwards compatibility · BFF pattern FastAPI (REST base) + asyncio (streaming) + System Design (microservicios)	Elegir el protocolo de comunicación óptimo para cada contrato inter-servicio y diseñar APIs que evolucionen sin romper a los consumidores existentes.	Difícil	gRPC Python Docs Strawberry GraphQL (Python)	Comunicación entre `orders` y `payments` via gRPC con streaming; BFF en FastAPI que adapta los contratos para móvil vs web; proto contracts versionados con backwards compatibility verificada.	PythonLatencia inter-servicio <5ms en red local; proto contract v1 y v2 coexisten sin breaking change; BFF reduce el payload del cliente móvil en ≥50%.
Kubernetes	Kubernetes: Deployments, HPA, Ingress, RBAC y zero-downtime deploys Rolling update · liveness/readiness/startup probes · resource limits · HPA · Ingress con TLS · RBAC por namespace · helm basics Docker + AWS/cloud (EKS) + CI/CD (deployment step)	Desplegar y escalar aplicaciones en Kubernetes con zero-downtime deployments y autoescalado basado en métricas reales de carga — standard de la industria en 2026.	Difícil	Kubernetes Docs learnk8s.io	Deploy de la API en k8s (minikube/kind): rolling update sin downtime verificado con test de carga continuo; HPA escala 2→10 pods cuando CPU >70%; 0 requests fallidos durante el deploy.	Python0 requests fallidos durante rolling update; HPA activa en <60s; script Python de smoke test verifica correctitud post-deploy automáticamente en CI.
Liderazgo Técnico	Architectural Decision Records (ADRs) y code review de alto impacto Formato ADR (context/decision/consequences) · revisión por pares · feedback constructivo · decisiones reversibles vs irreversibles · documentación viva System Design + toda la experiencia Senior acumulada	Documentar decisiones arquitectónicas con contexto y consecuencias para evitar repetir debates, facilitar el onboarding y elevar el nivel de las code reviews del equipo.	Medio	ADR GitHub (Nygard format) The Staff Engineer's Path — T. Reilly	Escribir 3 ADRs para decisiones técnicas reales: elección de ORM, estrategia de mensajería y política de versionado de API; facilitar el proceso de revisión hasta consenso con el equipo.	ADRs con alternativas consideradas, pros/cons y consecuencias explícitas; aprobados en ≤2 iteraciones de review; equipo puede referenciarlos sin necesidad de explicación verbal.

05

Nivel 5

Staff / Principal Engineer

Influencia multiplicadora. El Staff Engineer no mide su impacto en líneas de código sino en la velocidad de innovación de toda la organización: IA agentica nativa en el backend, plataformas internas de autoservicio, estrategia multi-cloud y cultura de ingeniería a escala.

Área	Tema Específico	Objetivo	Dif.	Recursos	Proyecto / Validación	Criterio de Éxito
IA Agentica	LangGraph: state machines, nodos, edges condicionales y human-in-the-loop `StateGraph` · `interrupt_before` · human-in-the-loop · streaming events · multi-agent coordination · `MemorySaver` asyncio (agents son async) + FastAPI (serving del agente) + Mensajería (orquestación)	Orquestar flujos de trabajo autónomos multi-agente con control de estado explícito y capacidad de intervención humana — el patrón de arquitectura más demandado en backends 2026.	Experto	LangGraph Docs LangGraph Tutorials	Agente de customer support en Python que consulta DBs, ejecuta scripts de compensación y escala a humano con contexto completo; tasa de resolución autónoma >70% medida en 30 días.	PythonTasa de resolución autónoma >70%; escalado a humano con traza completa del grafo; estado del agente persiste entre conversaciones con `MemorySaver`; tests con mock LLM.
IA Agentica	PydanticAI: structured tool calling, type-safe agents y outputs tipados `Agent` · `Tool` · `RunContext` · structured outputs con Pydantic models · dependency injection en agentes · testing con TestModel Pydantic v2 (modelos tipados) + LangGraph (conceptos de agentes) + FastAPI DI	Construir agentes de IA con outputs estructurados y tipados que se integren limpiamente en backends Python existentes sin parsing frágil de texto libre.	Experto	PydanticAI Docs PydanticAI: Testing Agents	Agente de análisis financiero que extrae datos de DBs, genera reportes tipados en Pydantic y decide acciones de portfolio; 0 parsing errors de outputs del LLM en 100 ejecuciones de test.	Python0 parsing errors; outputs validados con Pydantic en 100% de ejecuciones; suite de tests con `TestModel` sin llamadas reales a LLM; cobertura >80% del agente.
IA Agentica	RAG Systems: vector DBs, chunking avanzado, reranking y evaluación pgvector · Qdrant · embedding models · semantic search · HyDE · reranking con ColBERT · RAGAS evaluation framework PostgreSQL (pgvector extension) + asyncio (búsqueda async) + PydanticAI (integración)	Construir sistemas de retrieval que permitan a los LLMs razonar sobre bases de conocimiento privadas con precisión medible y latencia de producción.	Experto	Qdrant Docs RAGAS: RAG Evaluation	RAG sobre documentación técnica interna con pgvector: precision@10 >85%; latencia <2s; evaluación automatizada con RAGAS en un dataset de 100 preguntas de referencia.	PythonRAGAS: faithfulness >0.85, answer relevancy >0.80; latencia P95 <2s; pipeline de evaluación ejecutable en CI con dataset versionado en Git; chunking strategy documentada con ADR.
Platform Engineering	Internal Developer Platform (IDP): golden paths y self-service Backstage · service templates · paved roads · self-service provisioning · developer portal · onboarding automation · software catalog Kubernetes + CI/CD + Cloud (todo lo que se provisiona) + ADRs (decisiones de plataforma)	Crear abstracciones que permitan a los equipos crear nuevos servicios con seguridad, observabilidad y CI/CD nativo en minutos — sub-lineal scaling del equipo de plataforma.	Experto	Backstage Docs platformengineering.org	Template en Backstage que provisiona: repo GitHub, pipeline CI/CD, monitoring, secrets en Vault, Namespace k8s y AlertManager rule en <10 minutos; adopción >80% del engineering team.	Tiempo de creación de nuevo servicio: de días a <10 minutos; adopción >80% sin soporte del platform team; nuevo developer desplegando en producción en el primer día.
Platform Engineering	Kubernetes avanzado: KEDA, Operators, Istio y multi-cluster Event-driven autoscaling · Custom Resource Definitions · traffic management · mTLS · canary deployments · Cluster API · multi-cluster federation Kubernetes Senior + Mensajería (KEDA basado en cola) + Observabilidad (Istio + métricas)	Diseñar la plataforma de cómputo para que los equipos escalen automáticamente basados en señales de negocio reales y tengan comunicación inter-servicio segura y observable sin cambiar código.	Experto	KEDA Docs Istio Docs	KEDA que escala workers de SQS de 1 a 50 pods según longitud de cola; Istio con mTLS automático entre todos los servicios; canary deployment al 10% con auto-rollback ante error rate >1%.	PythonScaling reactivo en <30s; 100% tráfico inter-servicio con mTLS verificado en Kiali; canary rollback automático ante degradación; script Python de validación de mTLS en CI.
Engineering Metrics	DORA Metrics, Developer Experience (SPACE) y toil elimination Deployment Frequency · Lead Time · MTTR · CFR · SPACE framework · toil measurement · feedback loops · dashboards desde GitHub + PagerDuty CI/CD (datos de deployments) + Observabilidad (MTTR) + Platform Engineering	Cuantificar la capacidad de entrega del equipo con métricas objetivas para identificar bloqueos sistémicos y priorizar mejoras de proceso con impacto medible.	Experto	DORA Research Program SPACE Framework — ACM Queue	Dashboard automatizado con DORA metrics desde GitHub + PagerDuty via Python; tendencias de 90 días; equipo clasificado en tier "High" DORA en ≥3 métricas; toil reducido en >30%.	PythonScript Python ingesta datos de GitHub API y PagerDuty; dashboard actualizado automáticamente; cada métrica con objetivo SMART y dueño; toil eliminado documentado con tiempo ahorrado.
Estrategia Técnica	Tech Debt: inventario, cuantificación y roadmap de amortización Debt ledger · interest rate calculation · kill-by dates · refactor sprints · deuda de arquitectura vs código · priorización con DORA impact ADRs + DORA Metrics (impacto de la deuda en métricas) + Engineering Metrics	Gestionar la deuda técnica como activo financiero: cuantificarla en "engineering days", priorizarla con el negocio y planificar su amortización con ROI demostrable.	Experto	Architect Elevator: Tech Debt ADR Templates (GitHub)	Inventario de deuda técnica valorado en "engineering days"; roadmap de 18 meses con ROI estimado por ítem; deuda priorizada por impacto en DORA metrics; aprobado por CTO con tracking trimestral.	Deuda expresada en tiempo y costo; impacto de cada ítem en Lead Time o MTTR documentado; roadmap aprobado en revisión con VPs; 3 ítems críticos amortizados en el primer trimestre.
Estrategia Técnica	Engineering roadmaps: OKR alignment y capacity planning Technical strategy document · build vs buy framework · RFC process · stakeholder alignment · forecasting de capacidad · hiring plan técnico Tech Debt + DORA Metrics + Platform Engineering (iniciativas a planificar)	Traducir la estrategia de negocio en inversiones técnicas concretas con impacto medible y alineación ejecutiva — la diferencia entre un Staff que ejecuta y uno que dirige.	Experto	The Staff Engineer's Path — T. Reilly Will Larson: Staff Engineer Resources	Documento de estrategia técnica de 18 meses: 3 iniciativas con OKRs (plataforma de IA, observabilidad, developer experience), análisis de capacidad del equipo y plan de riesgos con mitigaciones.	Aprobado en revisión con VPs; tracking trimestral de progreso con datos objetivos publicados al equipo; cada iniciativa con impacto medible en DORA o en métricas de negocio.
Multi-Cloud	Cloud-agnostic architecture: Terraform modules y FinOps Provider-agnostic Terraform · CNCF landscape · portabilidad de workloads · cost attribution por squad · rightsizing · Kubecost · FinOps maturity model Kubernetes avanzado + AWS (experiencia cloud concreta) + Platform Engineering (IDP como cliente)	Diseñar infraestructura sin vendor lock-in y con visibilidad de costos por producto y equipo para tomar decisiones de arquitectura con plena consciencia financiera.	Experto	FinOps Maturity Model Kubecost Docs	Módulos Terraform abstraídos que despliegan el mismo stack en AWS y GCP; dashboard de cost attribution por namespace con Kubecost; rightsizing plan que reduce el bill en >20% sin degradar SLOs.	PythonDeploy idéntico en ambas nubes en <30 min; reducción >20% documentada; script Python detecta recursos huérfanos semanalmente; cada squad recibe reporte de costo automático.
Open Source & Comunidad	Open source contributions, thought leadership y mentoring Contribuciones a proyectos CNCF o Python core · conference talks (PyCon, DjangoCon) · internal tech blog · mentoring program · RFC públicas Todo el nivel Staff — impacto acumulado que se amplifica externamente	Amplificar el impacto más allá de la organización construyendo reputación en la comunidad Python/backend que atrae talento, genera credibilidad y retroalimenta con inteligencia del ecosistema.	Experto	PyCon US 2026 CFP httpx / FastAPI — contribución de referencia	Contribución aceptada a proyecto Python open source con >1k stars; charla en PyCon, EuroPython o conferencia regional; post técnico con >1000 lecturas; 2 ingenieros junior mentorados a nivel SSR.	PythonPR mergeada en repo con >1k stars; charla aceptada por CFP con revisión ciega; mentorado promovido o alcanza objetivo técnico acordado en <12 meses.

Python Backend Engineering Career Path

Trainee

Junior Developer

Semi-Senior (SSR)

Senior Engineer

Staff / Principal Engineer

Python Backend
Engineering Career Path