Saltar al contenido
Cursos/Claude Code + IA Local/Agentes de código locales
Revisión pendiente desde 29 jul 20263 fuentes primarias

Agentes de código locales con Ollama

Puedes usar modelos locales para tareas de código sin enviar tu proyecto a la nube, pero hay que diseñar el flujo con contexto, permisos y verificación. La promesa no es “igual que Claude Code”; la promesa buena es privacidad, coste predecible y control.

Qué vas a conseguir ahora

Una decisión o prueba aplicada a «Agentes de código locales con Ollama».

  1. 1Entiende el criterio
  2. 2Haz una práctica pequeña
  3. 3Guarda una evidencia
Evidencia

Una nota breve con qué hiciste, qué salió bien, qué falló y qué revisarías después.

Objetivos de aprendizaje
  • Entender cuándo compensa un agente de código local y cuándo no.
  • Configurar Ollama para modelos de código con suficiente contexto.
  • Crear un flujo de edición y verificación que no rompa tu repo.
En cristiano: agente de código local. Es un asistente que lee archivos, propone cambios y puede ejecutar comandos usando un modelo en tu máquina. Ganas privacidad, pero pierdes parte de la potencia y comodidad de herramientas cloud.

El mapa honesto

Un agente local sirve muy bien para tareas acotadas: explicar código, generar tests, crear scripts, refactorizar un componente pequeño o preparar un plan de cambios. Para migraciones grandes, repositorios enormes o razonamiento largo, lo normal es usar un enfoque híbrido: local para privacidad y borradores, cloud para decisiones difíciles o revisión final.

La base práctica es Ollama. Su documentación oficial permite ejecutar modelos en macOS, Windows y Linux, y exponer una API local para integraciones. En Apple Silicon, MLX puede ser útil para experimentos y rendimiento con memoria unificada, pero no convierte cualquier portátil en una estación de trabajo ilimitada.

Terminal
# 1. Comprueba Ollama
ollama --version
ollama list

# 2. Descarga un modelo de código o propósito general
ollama pull qwen2.5-coder:7b

# 3. Prueba una tarea pequeña
ollama run qwen2.5-coder:7b "Explica este bug: un array vacío rompe un reduce sin valor inicial"

# 4. API local para integraciones
curl http://localhost:11434/api/generate -d '{
  "model": "qwen2.5-coder:7b",
  "prompt": "Escribe una función TypeScript que valide emails sin dependencias.",
  "stream": false
}'
Idea clave. Para coding agents, el contexto importa más que el nombre del modelo. Si el agente solo ve un archivo suelto, actuará como si el resto del proyecto no existiera.

Checklist antes de dejarlo tocar archivos

  • Trabaja en una rama: nunca pruebes un agente local en `main`.
  • Define alcance: qué carpeta puede leer, qué archivos puede editar y qué comandos puede ejecutar.
  • Exige plan: antes de editar, que liste archivos, riesgos y criterio de éxito.
  • Verifica en frío: instala dependencias y corre tests después del cambio.
  • Registra métricas: tiempo, tokens, errores y comandos ejecutados.
Terminal
# Flujo mínimo para trabajar con seguridad
git checkout -b agent-local/tarea-pequena

# Pide primero un plan, no cambios
# Después de aplicar cambios:
npm install
npm run lint
npm run build
git diff --stat
git diff
Cuidado. No pegues secretos, `.env`, claves SSH ni datos de clientes aunque el modelo sea local. El riesgo no es solo “la nube”: también hay logs, historial de terminal y herramientas con permisos amplios.
Comprueba que funciona. Si el modelo local falla con proyectos multiarchivo, reduce la tarea: un bug, un test, un componente o un script. Si necesita recordar decisiones largas, guarda un `TASK.md` con estado, decisiones y próximos pasos.
Guardar y reabrir el proyecto.
Un agente local útil tiene tres piezas: modelo local, contexto bien preparado y verificación automática. Sin verificación, solo tienes un generador de parches con mucha confianza.

Si has guardado la evidencia de esta lección, continúa con «Open WebUI + Ollama + Qdrant». Si no, repite la comprobación antes de avanzar.

Mapa completo de AulafyConsulta cómo encaja esta lección sin salir de tu ruta.

Mapa completo de Aulafy

Cómo se relacionan todos los cursos

No es una lista que debas completar. Empieza por la base, elige un resultado y profundiza solo cuando tu proyecto necesite más control.

  1. 1Comprender
  2. 2Aplicar o construir
  3. 3Operar con confianza
01

Empieza aquí

Crea una base común: qué puede hacer la IA, cómo pedir resultados y cómo comprobarlos antes de especializarte.

Desde esta base puedes aplicar la IA a una tarea o aprender a construir con código.

02

Elige una aplicación

Convierte la base en un resultado visible: una web, una mejora de negocio, contenido o una experiencia interactiva.

Si necesitas mantener código, datos o infraestructura, continúa por la rama técnica.

03

Construye con código

Prepara el entorno, trabaja con agentes de programación y aprende a ejecutar modelos con control sobre tus proyectos.

Esta rama prepara los conocimientos necesarios para diseñar y operar sistemas de IA fiables.

04

Lleva sistemas a producción

Combina recuperación, agentes, evaluación, seguridad, despliegue y adaptación de modelos cuando el problema lo exija.

No es obligatorio completarlo todo: elige solo la pieza que tu sistema necesita y vuelve al mapa cuando crezca.

Ver catálogo completo