English A1
Una app para practicar inglés a diario
Una app personal para practicar Present Simple con ejercicios reales, corrección con IA oración por oración y un motor que elige qué practicar según los errores.
- 131
- tests automatizados
- 29
- procedimientos tRPC
- 19
- modelos de datos
- ~10.7k
- líneas de TypeScript
- El problema
- Practicar inglés a diario con corrección útil, no solo acierto o error, y saber qué repasar.
- La decisión
- Corrección con IA validada por esquema, con respaldo por reglas para que toda respuesta tenga resultado.
- En qué terminó
- Desplegada en Railway, versión 1.5.0, con CI y 131 tests.
English A1 es una app de uso diario para un hispanohablante que estudia Present Simple. Tiene ejercicios de traducción, completar espacios, corregir oraciones y traducir párrafos; un mapa de práctica; práctica diaria de 15 ejercicios; conversación con un tutor; historial de errores; un análisis del perfil generado con IA y recomendaciones de videos de YouTube ligadas a los errores.
El problema
Una app de ejercicios que solo dice "correcto" o "incorrecto" no sirve de mucho para aprender: una paráfrasis válida cuenta como error y no queda claro qué falló. Quería corrección por oración, con la explicación en inglés y en español, y que la app usara esos errores para decidir qué practicar después.
Decisiones
El dominio va en paquetes puros. La lógica de aprendizaje (precisión por concepto, detección de debilidades, estrategias de selección, composición de la práctica diaria) y la de ejercicios no dependen de React, Prisma ni OpenRouter: entran datos y salen datos. Eso permite probarla sin base de datos ni red. Costo: un monorepo con siete paquetes y su cableado, que para una app de este tamaño es bastante estructura.
La IA corrige, pero siempre hay un resultado. El modelo devuelve JSON que se valida con Zod; si falla, hay un reintento con una instrucción más estricta, y si vuelve a fallar se califica con reglas de coincidencia exacta. Cada intento guarda gradedBy: "ai" | "rules". Costo: las reglas son mucho más estrictas que la IA y no aceptan paráfrasis, así que los dos tipos de resultado no son comparables; por eso quedan marcados.
El modelo se cambia desde el panel de administración. Las variables de entorno solo son el valor inicial; después manda una fila AISettings editable sin redesplegar. El selector se llena con el catálogo real de OpenRouter, ordenado por precio, y el costo de cada llamada se calcula al registrarla para que no cambie si el proveedor ajusta precios. Costo: las llamadas de conversación van en streaming y no reciben el conteo de tokens, así que su costo queda en null.
Los videos se cachean por tema e idioma. Una búsqueda real en YouTube se hace como máximo una vez al mes por combinación de tema e idioma, y la caché se comparte entre usuarios. El idioma sale del nivel (A1/A2 reciben lecciones en español) o de una preferencia explícita. Costo: las recomendaciones pueden tener hasta 30 días de antigüedad.
Autenticación con correo y PIN de 6 dígitos. Sesiones opacas con vencimiento deslizante de 90 días, enviadas como token bearer porque web y API viven en subdominios distintos de Railway. Costo: un PIN de 6 dígitos es débil; lo compensa en parte el bloqueo de 15 minutos tras 5 intentos fallidos.
Resultado
Está desplegada en Railway (web, API y Postgres), con despliegue automático en cada push a main, migraciones y seed en cada despliegue, y un pipeline de CI que corre lint, typecheck y tests contra un Postgres real. El historial tiene 22 commits entre el 11 y el 12 de agosto de 2026 y llega a la versión 1.5.0, con changelog y notas de versión bilingües dentro de la app.
Qué haría distinto
Pensaría antes en el estado de la práctica: cambiar de pestaña reiniciaba el ejercicio en curso y hicieron falta dos versiones (1.1.2 y 1.1.3) para corregirlo, la segunda por el refetchOnWindowFocus de React Query. También cerraría el hueco del costo de las conversaciones. Y el modelo ya soporta niveles, pero todo el contenido sembrado sigue siendo A1.