Fadenbrett: cómo la IA me ayudó a construir una app completa en menos de 24 horas
Construí un tablero de investigación digital self-hosted desde cero en menos de 24 horas usando Claude, Ralph y Claude Code. Cómo la IA está cambiando el proceso de creación — y cómo lo instalé en Proxmox con un solo comando.
Estoy reviendo Dark — la serie alemana de Netflix con viajes en el tiempo, paradojas y una red de personajes que atraviesa décadas y generaciones.
Es brillante. Y completamente imposible de seguir sin un mapa.
Personajes que existen en tres épocas distintas, hijos que son padres de sus propios abuelos, conexiones que solo tienen sentido en el episodio 8 de la tercera temporada... En determinado momento, paré y pensé: necesito un tablero de investigación para esto.
¿Conoces ese tablero de corcho con fotos, papeles y hilos rojos que aparece en las películas policiales? Exactamente ese. Pero digital, self-hosted, mío.
Lo que comenzó como un proyecto de prueba rápido para resolver mi problema con Dark terminó sorprendiéndome. En menos de 24 horas, estaba corriendo en mi Proxmox con colaboración en tiempo real, modo presentación, undo/redo ilimitado y un script de deploy con un solo comando.
Y la IA fue lo que hizo eso posible.
Qué es Fadenbrett
Fadenbrett viene del alemán: Faden (hilo) + Brett (tablero). Una referencia directa al roter Faden — el hilo conductor — y los hilos rojos de los tableros de investigación.
Es un tablero de investigación digital interactivo. Un canvas infinito donde conectas personajes, eventos, teorías y notas con conexiones semánticas. Completamente self-hosted.
Funcionalidades principales:
- Canvas infinito con tarjetas de personajes, post-its y conexiones visuales
- Colaboración en tiempo real vía WebSockets (cursores remotos, sincronización de estado)
- Múltiples tableros con cambio instantáneo
- Subida de imágenes en las tarjetas
- Modo presentación con slides por nodo
- Undo/Redo ilimitado
- Exportación PNG/JPEG del canvas
- Tus datos se quedan en tu servidor — cero telemetría
Stack:
| Capa | Tecnología |
|---|---|
| Frontend | React 19 + Vite + TypeScript + Tailwind v4 + Zustand + React Flow |
| Backend | Fastify + Drizzle ORM + SQLite |
| Infra | Docker + Nginx + Compose |
Menos de 24 horas. Es real.
Primer commit: 7 de marzo. Versión 1.0.0 lanzada: 8 de marzo.
No es exageración de marketing. Es el changelog.
Lo que hizo eso posible no fue trabajar 24 horas seguidas. Fue trabajar de una manera completamente diferente — con Claude, Ralph y Claude Code como socios de desarrollo.
Claude + Ralph + Claude Code: el stack que cambió el proceso
Uso Claude hace tiempo como par técnico — para razonar sobre arquitectura, discutir trade-offs, revisar lógica. Ya escribí sobre eso en un post anterior sobre IA y desarrollo.
Para Fadenbrett, fui un paso más allá. Usé Ralph — un loop de agente autónomo open-source que orquesta Claude Code repetidamente hasta completar todos los ítems de un PRD.
El flujo es simple: escribís un PRD con las user stories, lo convertís a prd.json, y ejecutás Ralph. Este spawnea una instancia de Claude Code, que implementa una historia, corre los quality checks, hace commit y la marca como completa. Después spawnea la siguiente. Y así — hasta que todo está verde.
Cada instancia comienza con contexto limpio, lo que evita degradación de contexto en proyectos largos. El progreso queda persistido en progress.txt y en los commits de git.
Mi rol fue:
- Escribir el PRD con todas las features que quería
- Tomar decisiones cuando surgían ambigüedades
- Revisar lo que se generó
- Ajustar la dirección cuando fue necesario
El resto — implementación, patrones de código, tests, commits — lo manejó el agente.
Esto no es "la IA lo hizo todo". Es una nueva forma de trabajar — donde operás a nivel de producto y sistema, y la ejecución ocurre a una velocidad diferente.
Cómo funcionó el proceso en la práctica
Cada feature fue implementada como una user story. El agente leía el PRD, elegía la próxima historia, la implementaba, corría pnpm type-check && pnpm lint && pnpm test, corregía si algo fallaba, y hacía commit.
Algunas cosas interesantes construidas así:
- Canvas infinito con pan y zoom vía React Flow
- Colaboración en tiempo real vía WebSockets — el agente resolvió el broadcast entre tabs, cursores remotos, sincronización de estado
- Templates predefinidos — tableros listos para usar
- Modo presentación — navegación nodo por nodo con animaciones suaves
- Copy/Paste de nodos, atajos de teclado, undo/redo ilimitado
- Script de deploy Proxmox — crea un container LXC completo con un comando
Cada uno fue una iteración. Cada iteración llevó minutos, no horas.
Proxmox: instalación con un solo comando
Una de las partes de la que más me orgullezco es el deploy en Proxmox.
Si me seguís, sabés que organizo toda mi infraestructura en casa con Proxmox VE. Containers LXC para cada servicio, red segmentada, backups automáticos.
Para Fadenbrett, quería la misma simplicidad que ofrecen herramientas como Proxmox Helper Scripts: pegás un comando, vas a hacer un café, volvés con todo instalado.
El script de instalación:
bash <(curl -fsSL https://raw.githubusercontent.com/raniellimontagna/fadenbrett/main/scripts/proxmox/install.sh)
Lo que hace automáticamente:
- Detecta el próximo CT ID disponible en el cluster
- Descarga el template Debian 12
- Crea el container LXC (512MB RAM, 1 core, 8GB disco — configurable)
- Instala Docker y Docker Compose dentro del container
- Clona el repositorio y hace el build completo
- Levanta los servicios vía Docker Compose
- Configura inicio automático con Proxmox
Al final, tenés Fadenbrett corriendo en tu IP de red local. Sin configuración manual.
Parámetros configurables:
CT_ID=200 CT_RAM=1024 FADENBRETT_PORT=8080 bash <(curl -fsSL ...)
Para actualizar:
CT_ID=200 bash <(curl -fsSL https://raw.githubusercontent.com/raniellimontagna/fadenbrett/main/scripts/proxmox/update.sh)
El script de update detiene los containers, hace pull de los cambios, rebuildeá las imágenes y reinicia. Sin preocupaciones por downtime.
Lo que aprendí sobre desarrollar con IA
Esta experiencia cambió cómo pienso el rol de la IA en el desarrollo.
No se trata de delegar todo. Se trata de cambiar en qué nivel operás.
Antes, gastaba energía en:
- Boilerplate y setup inicial
- Implementar features repetitivas
- Debug de errores de tipado
- Integración de librerías
Ahora, gasto energía en:
- Definir qué necesita ser el producto
- Tomar decisiones de arquitectura
- Revisar si lo generado tiene sentido
- Pensar en los casos de uso reales
El tiempo entre idea y algo funcionando cayó drásticamente. Con Fadenbrett, eso fue literal: una idea que hubiera estado semanas en un backlog personal salió del papel en menos de un día.
No porque la IA sea mágica. Sino porque redujo la fricción entre intención y ejecución.
Por qué self-hosted importa
Fadenbrett podría haber sido una herramienta SaaS. Probablemente hubiera sido más fácil de lanzar así.
Pero no sería mío.
Self-hosted significa:
- Tus datos se quedan en tu servidor
- Sin planes freemium, sin límite de tableros, sin exportación bloqueada
- Funciona offline
- Vos controlás las actualizaciones
- Cero telemetría
Para quien ya tiene infraestructura en casa (Proxmox, por ejemplo), agregar otro servicio es solo cuestión de correr un script.
Próximos pasos
El proyecto está en desarrollo activo. Ya en la versión 1.2.0, con más cosas planificadas:
- Timeline visual por era/período
- Búsqueda global en los tableros
- Compartir tableros por link
Si usás Proxmox o tenés interés en self-hosting, probalo. El feedback es bienvenido.
Repositorio: github.com/raniellimontagna/fadenbrett
Conclusión
Fadenbrett empezó como un proyecto de prueba. Quería entender mejor el flujo con Ralph + Claude Code, y necesitaba un caso de uso real para eso.
Dark me dio el pretexto perfecto.
Lo que no esperaba era el resultado. Lo que debería haber sido un experimento rápido se convirtió en un proyecto completo: canvas infinito, colaboración en tiempo real, modo presentación, exportación, múltiples tableros, scripts de Proxmox — todo eso en menos de 24 horas.
Me sorprendió. Genuinamente.
No por la cantidad de código generado, sino por la calidad de lo que se entregó. El proyecto tiene tests, sigue patrones consistentes, tiene scripts de deploy y update. No fue un prototipo descartable — quedó lo suficientemente bueno para usarlo de verdad.
Sigo creyendo que el desarrollador importa — la IA no reemplaza el juicio, el contexto de producto o la visión técnica. Pero claramente cambió lo que es posible construir, y en cuánto tiempo.
Y esto recién está empezando.
¿Usás tableros visuales para pensar sistemas? ¿Tenés algún proyecto self-hosted interesante? Escribime.