🤖 Avanzado y agentes 24/7

Hablas en lenguaje natural y carga modelos, enruta entre máquinas y ensambla las piezas.

Es la visión que organiza todo el uso avanzado: un director por encima de los modelos.

Orquestador, lenguaje natural, automatización de tareas.

Un LLM más herramientas (ejecutar comandos, leer/escribir archivos, llamar a una API) y un bucle que decide el siguiente paso.

Sin este ciclo es solo un chat; con él, se convierte en un ejecutor autónomo.

Agente, herramientas, loop ReAct.

Agentes de código (CLIs) y frameworks conectados a tu endpoint local de la Ruta 3.

Traduce los nombres del video a herramientas que existen de verdad hoy.

Agente de código, framework, endpoint local.

Usar Tailscale + API local para enviar cada tarea a la máquina ideal (modelo grande en la Mac, rápido en la GPU).

Aprovecha todo tu hardware como un clúster personal.

Enrutamiento, tailnet, fan-out por máquina.

Limita el alcance, aísla en un sandbox y confirma las acciones destructivas antes de ejecutarlas.

Un agente con demasiado poder y sin límites es un riesgo real.

Alcance, sandbox, confirmación.

Una instrucción para que un agente local resuma una carpeta de notas u organice archivos.

Pasa del concepto y entrega un primer resultado tangible.

Instrucción, verificación, resultado tangible.

Un modelo local ilimitado y siempre activo permite un uso ambiental/continuo que sería imposible en la nube por el costo.

Es la base mental de los tres pasos a paso siguientes.

Siempre activo, uso ambiental, ilimitado.

La nube cobra por llamada; 24/7 × muchas llamadas se vuelve inviable. En local solo cuesta la energía.

Entender el costo explica por qué esto solo nace localmente.

Costo por llamada, costo marginal, energía.

Programador (cron/loop) + tarea + modelo local + salida (archivo/notificación).

Es el esqueleto que vas a repetir en cada solución.

Programador, tarea, salida.

cron (programación por tiempo), watch de carpeta y cola de trabajos activan la tarea.

Elegir el activador correcto define el comportamiento del worker.

cron, watch, cola.

Registros, idempotencia, límites y recuperación ante fallos para que el worker no se convierta en un problema.

Un worker 24/7 frágil cuesta más tiempo del que ahorra.

Registros, idempotencia, recuperación.

Orquestar varios workers (recap 4.1), cada uno con una función; adelanto de los 4.3/4.4/4.5.

Muestra adónde llega el recorrido: a un equipo de agentes tuyo.

Flota, especialización, orquestación.

Un worker que rastrea el repositorio en busca de secretos, patrones inseguros y anomalías sin parar.

Es el primer caso real y el más fácil de justificar.

Secretos, patrones inseguros, continuo.

Fuentes (código, dependencias) → agente local con checklist → informe priorizado.

Revisar el pipeline antes evita el código desordenado.

Fuentes, checklist, informe priorizado.

Ejecutar herramientas económicas (gitleaks/grep de secretos, npm audit/pip-audit) antes del LLM.

Las herramientas determinísticas detectan lo obvio de forma rápida y económica.

gitleaks, npm audit, pip-audit.

Prompt que le indica al modelo local que filtre los hallazgos y explique el riesgo y la corrección.

El LLM agrega contexto y prioridad a lo que arrojaron las herramientas.

Clasificación, riesgo, corrección.

cron cada X horas (recap 4.2), informe con fecha y alerta solo sobre lo nuevo.

Convierte un script puntual en vigilancia continua.

cron, informe con fecha, alerta de novedades.

Tratar los falsos positivos, definir el alcance, mantener todo local y hacer una revisión humana.

Una seguridad mal implementada genera ruido o filtra el propio código.

Falso positivo, alcance, revisión humana.

Worker que monitorea Reddit/foros/RSS y extrae problemas/oportunidades, clasificados por prioridad y con enlace a la fuente.

Muestra IA local generando inteligencia de mercado para ti.

Dolores, ranking, cita de la fuente.

Respetar los ToS/robots, el límite de solicitudes y usar APIs oficiales cuando las haya.

Recolectar de forma incorrecta perjudica cuentas y leyes; vale la pena hacerlo bien.

ToS, robots, límite de solicitudes.

Obtener datos de una fuente permitida (RSS/JSON de Reddit, API) y normalizar los elementos.

Los datos limpios representan la mitad de la calidad del resultado.

RSS, API, normalización.

Prompt que clasifica cada elemento (¿es un problema real? ¿qué producto lo resuelve? puntuación de 0 a 10) y devuelve JSON.

La salida estructurada es lo que permite clasificar y automatizar.

Clasificación, puntuación, JSON estructurado.

Ordenar por score, deduplicar, guardar con fuente/cita y notificar solo lo que superó el umbral.

Sin filtrado ni deduplicación, te ahogas en ruido.

Ordenamiento, deduplicación, umbral.

Programar cada N min (4.2), archivo/panel de salida y refinar el prompt con el tiempo.

El vigilante mejora a medida que calibras los criterios.

Programación, panel, iteración del prompt.

Un asistente personal local con personalidad (system prompt), interfaz y voz.

Es el caso más personal y el cierre natural del curso.

Personalidad, interfaz, voz.

Modelfile/SYSTEM definiendo el nombre, el tono y las reglas del "buddy".

El system prompt es lo que le da identidad a tu asistente.

system prompt, Modelfile, identidad.

Volver a usar Open WebUI (3.2) o una página HTML sencilla que llama a la API local (3.5).

Una interfaz propia hace más agradable el uso diario.

Open WebUI, HTML, API local.

TTS (text-to-speech, ej.: Piper) transforma la respuesta del modelo en voz.

La voz hace que el asistente sea natural y permita usarlo con las manos libres.

TTS, Piper, canal de audio.

STT (speech-to-text, ej.: whisper.cpp) para que puedas hablar con el asistente.

Cierra el ciclo de conversación por voz, sin nube.

STT, whisper.cpp, voz bidireccional.

Combina embeddings/RAG (3.6) para que te recuerde y Tailscale (2.4) para acceder desde el celular.

La memoria y el acceso remoto son lo que lo convierten en un verdadero compañero.

RAG, memoria, Tailscale.

Medir tokens/s, latencia y uso de memoria (ollama ps) y definir lo «suficientemente bueno».

Sin medir, optimizas a ciegas.

tokens/s, latencia, uso de memoria.

Modelo grande en un equipo, rápido en otro; enrutamiento (repaso 4.1/2.4).

La escala transforma máquinas independientes en un clúster personal.

Multi-GPU, multi máquina, enrutamiento.

Un pico de inteligencia, el uso poco frecuente y el mantenimiento pueden requerir la nube o un entorno híbrido.

Conocer el límite evita insistir y pagar caro.

Pico de inteligencia, uso poco frecuente, híbrido.

Estimar el consumo, garantizar la ventilación y mantener el lab funcionando 24/7 de forma responsable.

El calor y la energía son el costo oculto de estar siempre encendido.

Consumo, ventilación, temperatura.

OOM, modelo lento, driver/CUDA averiado, puerto ocupado, Tailscale sin conexión.

Un mapa de problemas comunes te saca rápido del apuro.

OOM, driver/CUDA, puerto ocupado.

Hoja de ruta de evolución, comunidades y actualización de modelos; repaso de las 4 rutas.

Cerrar con un plan mantiene el laboratorio vivo después del curso.

Hoja de ruta, comunidad, actualización.