Saltar al contenido
Cursos/Claude Code + IA Local/Tool calling local
Revisión pendiente desde 29 jul 20263 fuentes primarias

Tool calling con modelos locales: troubleshooting

Cuando un agente local falla, a veces el modelo no es “tonto”: simplemente no está emitiendo llamadas a herramientas en el formato que tu runtime espera. La solución empieza por pruebas pequeñas y trazas claras.

Qué vas a conseguir ahora

Una decisión o prueba aplicada a «Tool calling con modelos locales: troubleshooting».

  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
  • Distinguir fallo de razonamiento, fallo de parser y fallo de permisos.
  • Probar tools con un caso mínimo antes de usar repos reales.
  • Elegir cuándo usar Ollama, Open WebUI, Hermes, MCP o vLLM.
En cristiano: tool calling. Es cuando el modelo no solo responde texto, sino que pide ejecutar una herramienta con argumentos estructurados: buscar, leer archivo, consultar API, calcular o modificar algo.

Diagnóstico en capas

  1. Modelo: ¿sabe seguir formato JSON/tool?
  2. Runtime: ¿Ollama, Hermes, Open WebUI o vLLM esperan el mismo formato?
  3. Parser: ¿extrae argumentos o se queda con texto libre?
  4. Permisos: ¿la tool existe y puede ejecutarse?
Terminal
Prueba mínima:
Herramienta disponible: get_time({ "timezone": "Europe/Madrid" })

Pregunta:
"Usa la herramienta get_time para decirme la hora en Madrid.
No inventes la hora. Si no puedes llamar la herramienta, dilo."

Resultado esperado:
- llamada estructurada a get_time
- argumentos válidos
- respuesta basada en salida real
Idea clave. Si el modelo no puede llamar una tool de juguete, no lo pongas a gestionar GitHub, archivos o bases de datos.

Fallos típicos

  • El modelo describe la tool en texto, pero no la invoca.
  • Genera JSON inválido o con campos inventados.
  • El runtime oculta el error y parece que “no pasa nada”.
  • Una cuantización o conversión ha degradado el comportamiento con tools.
  • La tool ejecuta código arbitrario sin revisión humana.
Cuidado. Open WebUI advierte que Tools, Functions, Pipes, Filters y Pipelines ejecutan Python en el servidor. Trátalos como código con permisos, no como “plugins inocentes”.
Terminal
Checklist:
- Log de prompt completo
- Log de tool schema
- Log de salida del modelo antes del parser
- Log de argumentos parseados
- Log de ejecución real
- Regla de aprobación humana para escritura
Comprueba que funciona. Haz una matriz modelo/runtime/tool. Si una combinación falla, no cambies todo: prueba el mismo modelo con otra tool o la misma tool con otro modelo.
Guardar y reabrir el proyecto.
Tool calling estable es ingeniería de interfaces: schema pequeño, parser compatible, permisos mínimos y trazas. Sin eso, el agente solo parece autónomo.

Si has guardado la evidencia de esta lección, continúa con «Open WebUI + 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