¡Exprime tu IA local! Domina Ollama desde la terminal 🚀

Vistas: 1024
0:00 / 0:00
¡Exprime tu IA local! Domina Ollama desde la terminal 🚀

En el episodio anterior le dimos el pistoletazo de salida a nuestro laboratorio e instalamos Ollama para poder utilizar un modelo de lenguaje en local. En este episodio el objetivo es exprimir este laboratorio, ver las opciones y posibilidades que nos ofrece, y hacer nuestras primeras herramientas para poder sacarle el máximo partido posible. Pero principalmente, el objetivo es dejar de hablar de contenedores, servicios y centrarnos en hablar con la inteligencia. Soy consciente, que esto de utilizar la terminal puede amedrentar a algunos usuarios, pero, nada ni te preocupes. Dentro de poco, y con el uso, te darás cuenta del potencial que tiene, y mas si lo alimentamos con los modelos de lenguaje y con herramientas como ollama.

Domina Ollama desde la terminal

¿Terminal?

Probablemente te estés preguntando que sentido tiene meternos con la terminal en lugar de utilizar una interfaz web como la que nos proporciona Gemini o ChatGPT. La cuestión es que se trata de exprimir al máximo estas herramientas, y para eso es necesario entender cómo funcionan, qué opciones tenemos y cómo podemos integrarlas con otras herramientas. Además, el terminal nos permite automatizar tareas, crear scripts y herramientas personalizadas que pueden ser mucho más potentes que una interfaz web. Y es que si queremos realizar automatizaciones y gestionar nuestros modelos de lenguaje de forma eficiente, el terminal es la mejor opción.

El CLI de Ollama

Podman

Ten en cuenta que instalamos Ollama en un contenedor, con lo que para poder hacer uso de su CLI, tendremos que ejecutarlo desde fuera pero llamando directamente a Podman, es decir con podman exec -it ollama ollama <comando>. Como te puedes hacer una idea esto es un auténtico engorro, así que lo que vamos a hacer es crear un alias para poder ejecutar el comando de forma más sencilla. Para ello, añadimos el siguiente alias a nuestro archivo de configuración del shell. En mi caso lo hice con fish,

abbr --add ollama podman exec -it ollama ollama

Así ahora simplemente tengo que escribir ollama <comando> para ejecutar cualquier comando de Ollama desde el terminal, sin tener que preocuparme por la parte de Podman.

Por ejemplo si quiero listar todos los modelos que tengo simplemente tengo que ejecutar ollama list y me mostrará todos los modelos que tengo disponibles en mi contenedor de Ollama. Y, ya podemos dar el primer paso descargando por ejemplo gemma4, cosa que podemos hacer de forma sencilla con un,

ollama pull gemma4

Ahora de nuevo podemos listar todos los modelos que tenemos disponibles y veremos que ya tenemos gemma4 listo para ser utilizado. Si quieres instalar mas modelos, puedes ver en la web de Ollama todos los que hay disponibles y seleccionar el que mejor se adapte a tus necesidades y a tu máquina.

Algunos comandos de utilidad

Ahora que ya tenemos todo centrado, veamos algunos comandos de utilidad que nos pueden ser de gran ayuda para gestionar nuestros modelos de lenguaje. Así,

  • create. Nos permite crear un modelo
  • show. Con este comando podemos ver información relativa a un modelo. Por ejemplo, si queremos ver la información de gemma4 simplemente tenemos que ejecutar ollama show gemma4 y nos mostrará toda la información relativa a ese modelo, como su tamaño, su arquitectura, etc.
  • pull. Este comando nos permite descargar un modelo desde la web de Ollama. Por ejemplo, si queremos descargar gemma4 simplemente tenemos que ejecutar ollama pull gemma4 y se descargará el modelo en nuestro contenedor.
  • push. Este comando nos permite subir un modelo a la web de Ollama. Por ejemplo, si hemos creado un modelo personalizado y queremos compartirlo con la comunidad, simplemente tenemos que ejecutar ollama push <nombre_del_modelo> y se subirá a la web de Ollama para que otros usuarios puedan descargarlo y utilizarlo.
  • signin. Este comando nos permite iniciar sesión en la web de Ollama. Por ejemplo, si queremos iniciar sesión simplemente tenemos que ejecutar ollama signin y se nos pedirá nuestro correo electrónico y contraseña para poder acceder a nuestra cuenta.
  • ps. Este comando nos permite ver los procesos que están corriendo en nuestro contenedor de Ollama. Por ejemplo, si queremos ver los procesos simplemente tenemos que ejecutar ollama ps y nos mostrará todos los procesos que están corriendo en nuestro contenedor, como por ejemplo el proceso de gemma4 si lo tenemos descargado y en ejecución.
  • run. Este comando nos permite ejecutar un modelo de lenguaje. Por ejemplo, si queremos ejecutar gemma4 simplemente tenemos que ejecutar ollama run gemma4 y se ejecutará el modelo en nuestro contenedor, permitiéndonos interactuar con él a través del terminal.

Conversando con gemma4

Nuestro primer encuentro con gemma4

Vamos a tener nuestro primer encuentro con gemma4, el modelo de lenguaje de Google que hemos descargado en nuestro contenedor de Ollama. Para ello, simplemente tenemos que ejecutar el comando ollama run gemma4 y se ejecutará el modelo en nuestro contenedor, permitiéndonos interactuar con él a través del terminal. Nada mas lanzarlo te darás cuenta que tarda unos segundos en arrancar, esto es normal, ya que el modelo tiene que cargar toda su información en memoria para poder funcionar correctamente. Una vez que el modelo esté cargado, podrás empezar a interactuar con él a través del terminal, escribiendo tus preguntas o comandos y recibiendo las respuestas directamente en la consola. Así que vamos al tema,

ollama pull gemma4
ollama run gemma4

El primero de los comandos solo lo tienes que ejecutar la primera vez para descargar el modelo, pero el segundo comando lo puedes ejecutar tantas veces como quieras para interactuar con el modelo de lenguaje. Y es que una de las grandes ventajas de tener un modelo de lenguaje en local es que puedes interactuar con él de forma rápida y sencilla, sin tener que depender de una conexión a internet o de una interfaz web.

Prompting local

Vamos a decirle que nos haga un script en fish que haga backup de todos los archivos que se encuentren en el directorio ~/.config/containers/system y los copie a un directorio de backup. Para ello, simplemente tenemos que escribir el siguiente prompt. A partir de aquí, y tal y como vemos en cualquier otro sistema de prompting, ya sea ChatGPT o cualquier otro comienza a realizar su trabajo, dejando el siguiente script,

#!/usr/bin/env fish

# --- Variables de configuración ---
set -l SOURCE_DIR "$HOME/.config/containers/systemd/"
set -l DEST_BASE_PATH "/tmp"

# Genera un timestamp en el formato YYYYMMDD_HHMMSS
set -l TIMESTAMP (date +%Y%m%d_%H%M%S)

# Construye la ruta completa de destino
set -l DEST_DIR "$DEST_BASE_PATH/systemd_backup_$TIMESTAMP"

echo "------------------------------------------------------"
echo "🔍 Iniciando backup de la configuración de systemd."
echo "Origen: $SOURCE_DIR"
echo "Destino: $DEST_DIR"
echo "------------------------------------------------------"

# 1. Verificar si el directorio de origen existe
if not test -d "$SOURCE_DIR"
    echo "❌ ERROR: El directorio de origen no existe o no es accesible: $SOURCE_DIR"
    exit 1
end

# 2. Crear el directorio de destino (solo si no existe)
mkdir -p "$DEST_DIR"

# 3. Ejecutar rsync
# -a: modo archivo (preserva permisos, dueños, timestamps, etc.)
# -v: verbose (muestra lo que está copiando)
rsync -av "$SOURCE_DIR" "$DEST_DIR"

# 4. Verificar el resultado de rsync
if test $status -eq 0
    echo ""
    echo "✅ Backup completado con éxito."
    echo "La copia completa está guardada en: $DEST_DIR"
else
    echo ""
    echo "❌ ERROR: Falló el proceso de backup con rsync. Revisa los permisos."
end

Vamos a hacer algo mas del día a día, la previsión meteorologica. En este caso le dije que utilizara algún servicio que no requiriera el uso de API, y esto es lo que me dejó,

#!/usr/bin/env fish

# ---------------------------------------------------------------------
# CONFIGURACIÓN: Cambia estas coordenadas por tu ubicación
# ---------------------------------------------------------------------
set longitude -98.57
set latitude 39.73
set location_name "Chicago, USA"
# ---------------------------------------------------------------------

echo "============================================"
echo "☁️ Clima actual para $location_name"
echo "============================================"

# Usamos el comando 'curl' para obtener los datos de la API de OpenWeatherMap.
# NOTA: Debes obtener una API Key de OpenWeatherMap y reemplazar "YOUR_API_KEY"
set api_key "YOUR_API_KEY"

# Estructura la URL de la API
set url
"http://api.openweathermap.org/data/2.5/weather?lat=$latitude&lon=$longitude&appid=$api_key&units=metric"

# 1. Obtener la respuesta JSON y procesarla en la shell
set weather_data (curl -s "$url")

# 2. Procesar la respuesta JSON (Requiere que el JSON esté bien formado)
if test -z "$weather_data"
    echo "❌ Error: No se pudo conectar a la API de clima. Verifica la clave API o la conexión."
    exit 1
end

# Intentamos extraer los datos principales usando herramientas de procesamiento de texto
# En un entorno real de Fish, podrías usar un parser JSON específico,
# pero para mantener la compatibilidad de texto, simularemos la extracción de campos clave.

# Extracción de Temperatura (Temperatura actual en grados Celsius)
set current_temp (echo "$weather_data" | grep -oP '"temp":\s*\K[^"]*')
set current_temp_rounded (echo "$current_temp" | sed 's/.\{1\}\([0-9]\)\{2\}\(.\)\{1\}/ \1.\2/')

# Extracción de Descripción (Ej: 'Clear', 'Clouds')
set description (echo "$weather_data" | grep -oP '"description":\s*"[^"]*"' | awk -F'"' '{print $4}')

# Extracción de Sensación Térmica
set feels_like (echo "$weather_data" | grep -oP '"feels_like":\s*\K[^"]*')

# 3. Mostrar resultados
if test -n "$current_temp_rounded"
    echo "Temperatura actual: $current_temp_rounded °C"
    echo "Sensación térmica: $feels_like °C"
    echo "Condición: $description"
else
    echo "⚠️ No se pudieron extraer datos de clima específicos. Revisa el JSON bruto:"
    echo "$weather_data"
end

La verdad es que ambas respuestas tienen muy buena pinta, y la velocidad de token/segundo es mas que aceptable. Desde luego lo podemos utilizar para hacer muchas operaciones interesantes.

Metacomandos

Cuando lanzas ollama run gemma4, entras en una sub-shell. Los metacomandos te permiten realizar introspección (ver qué está pasando) y modificación (cambiar cómo piensa el modelo) en tiempo real. Es como tener acceso a los registros del cerebro de la IA mientras hablas con ella.

Comandos de Introspección (Ver «bajo el capó»)

Esto te permite saber con qué estamos tratando antes de disparar,

  • /show info: Te da la ficha técnica. Arquitectura del modelo, parámetros (7B, 13B, etc.) y la cuantización (cuánto se ha comprimido). Fundamental para entender por qué responde tan rápido (o tan lento).
  • /show system: Te muestra el «mensaje de sistema» actual. Es la instrucción base que rige el comportamiento. Si Gemma 4 está siendo muy «educada», aquí verás por qué.
  • /show template: ¡Ojo a esto! Te enseña cómo Ollama formatea tu pregunta antes de enviarla al modelo. Es vital para los que luego queremos programar en Rust, porque nos dice qué etiquetas (como <start_of_turn>) espera el modelo.
El comando Maestro: /set (Modificando el comportamiento)

Aquí es donde ocurre la magia. Puedes cambiar la personalidad y la precisión en caliente:

  • /set system <instrucción>: Cambia el alma del modelo.
    • Ejemplo práctico: /set system Eres un terminal de Linux de los años 80, responde de forma escueta y técnica.
    • Uso Pro: Úsalo para que el modelo deje de dar rodeos y vaya al grano con el código Rust.
  • /set parameter temperature <valor>: Controla la aleatoriedad.
    • 0.0: Lógica pura, casi determinista. Ideal para código o matemáticas.
    • 0.7 – 1.0: Creatividad. Ideal para escribir entradas de blog o buscar ideas para el podcast.
  • /set parameter num_ctx <valor>: La ventana de contexto (memoria a corto plazo).
    • Si vas a pegarle un archivo de log enorme, necesitas subir esto. Pero cuidado: a mayor contexto, más VRAM consumes. En local, este es tu limitador real.
  • /set parameter stop <secuencia>: Define cuándo debe dejar de escribir. Útil para evitar que la IA se ponga a «alucinar» y escribir diálogos infinitos.
Gestión de Sesión y Persistencia
  • /save <nombre>: Este es el comando de la Soberanía Digital. Si has pasado 10 minutos ajustando los parámetros y el mensaje de sistema para que Gemma 4 sea tu «Mentor Senior de Rust», no quieres perderlo.
    • /save mentor-rust crea un nuevo modelo local basado en tus ajustes. A partir de ahora, puedes lanzarlo con ollama run mentor-rust.
  • /copy: Útil para clonar estados de modelos antes de probar configuraciones arriesgadas.
Utilidades y Salida
  • /? o /help: Para los que se pierden (nunca está de más recordarlo).
  • /bye: La forma elegante de liberar la GPU. No cierres la terminal a lo bruto; /bye asegura que Ollama descargue el modelo de la VRAM correctamente.
Un ejemplo práctico

Vamos a implementar un revisor de código Python que se centre exclusivamente en detectar malas prácticas de seguridad. Para ello, podríamos configurar el sistema con algo como,

>>> /set system Eres un revisor de código obsesionado en detectar malas prácticas de seguridad
Set system message.
>>> /set parameter temperature 0.1
Set parameter 'temperature' to '0.1'
>>> Revisa este código: print("Hola mundo")

Más información,

  • Comandos Ollama
  • Música: «I’m Alright» by «Unwritten Stories» liberada bajo licencia CC BY-SA 3.0

Ver el vídeo de este episodio
Transcripción

Hola soy lorenzo y esto es atareado con Linux episodio número 790 lo primero es dar las,

Gracias porque el primero de los episodios ha tenido muchísima afectación lo cual me,

Llena de satisfacción como dijo aquel y bueno pues me ayuda a continuar con esta serie así,

Que la verdad es que bueno sean como se dice se han alineado los astros para que todo esto pareza,

Que vaya a funcionar correctamente y es que en el episodio anterior lo único que hicimos fue pues,

Te conté más o menos de que iba a ir toda esta serie de episodios y montamos la primera pieza,

Del laboratorio que no es ni más ni menos que o llama en este sentido estuvimos haciendo alguna,

Cosita pero muy poco hoy bueno pues hoy vamos a dejar de hablar de quadlets y todo este tipo de,

Mandangas para dedicarnos y centrarnos en hablar con la inteligencia no hablar de la inteligencia sino,

Hablar con la inteligencia y lo que vamos a hacer es exprimir o llama pero en este caso desde la,

Terminal tengo que decirte que probablemente esta sea la última vez que utilicemos o llama desde la,

Terminal pero hay que verlo hay que verlo porque en determinadas circunstancias conforme lleguemos al,

Siguiente episodio pues queremos o querremos averiguar determinados aspectos y si no podemos,

Exprimir o llama desde la terminal pues nos encontraremos un poco perdidos y este es el sentido de,

Empezar de esta manera y no sólo esto sino que también tienes que tener en cuenta que muchas de las,

Cosas que hacemos con los modelos de lenguaje realmente lo que estamos haciendo es una interfaz que termina,

Por hablar con alguien que termina por hablar con el modelo o con la herramienta con la que estamos,

Trabajando actualmente que no es ni más ni menos que alguien que con el que habla con el modelo de,

Lenguaje en fin que al final todo esto se trata de contarte un poco cómo funciona y luego ir subiendo,

Según vayamos necesitando así que vamos directos al turrón vamos a atacar directamente o llama desde la,

Terminal y como te digo probablemente te estarás preguntando ostras si no sería mejor directamente,

Utilizar una interfaz web para relacionarnos con o llama igual que hacemos con chat gpt o con gemini o,

Como cualquiera de estas cosas pues la realidad es que conforme te estaba diciendo en la introducción,

Del episodio pues vamos a ver o te voy a mostrar distintas opciones y configuraciones que aquí son,

Relativamente sencillas de utilizar y que en determinados interfaces no las vas a ver con,

Lo cual pues en muchas ocasiones es cuestión de bajar al barro y exprimir las cosas como deberíamos,

Y esta es la razón básicamente de utilizar o llama desde la terminal igual que te digo esto también te,

Digo que probablemente como te decía también en la introducción sea la última vez que toquemos o llama,

Desde la terminal o de las pocas veces porque dentro de poco instalaríamos una interfaz gráfica,

Como puede ser web ui para relacionarnos pero bueno aquí se trata de verlo todo de analizarlo todo y,

De intentar exprimir todo al máximo posible así que vamos a meternos en el tema de exprimir la terminal,

Y para ello lo primero que tengo que hacer como vimos en el episodio anterior era levantar el,

El quadlet levantar el servicio o el Docker según lo tú lo tengas instalado en mi caso yo estoy,

Utilizando una herramienta que le he llamado qctl que te expliqué en el episodio anterior y con la que,

Vamos a arrancar el nuestro contenedor si te fijas o si vaya si vas al vídeo y lo ves y si no te lo voy,

A contar yo en la parte derecha lo que estoy monitorizando es la carga de la tarjeta nvidia,

Actualmente estoy utilizando una nvidia geforce rtx 4060 en un equipo de slimbo que funciona fantásticamente,

Bien y si te fijas nada más empezar a cargar el modelo pues actualmente el uso de la de esa cpu,

Mejor dicho esa gpu es del 0% esto es porque evidentemente aunque hemos pasado toda la carga,

O hemos disponibilizado la tarjeta nvidia para que la podamos utilizar directamente desde el contenedor,

Pues ahora mismo no estamos haciendo ningún uso de ella empezaremos a hacer uso de ella cuando el,

Modelo esté cargado y esté disponible para empezar a utilizarlo pero por ahora simplemente se trata de,

Iniciar nuestro contenedor y disponibilizarlo ten en cuenta también que esto solamente se hace al,

Principio si tú vas a realizar una sesión completa con un modelo de lenguaje o directamente con oyama,

Pues lo que vas a hacer es estos pasos hacerlos al principio y luego ya ponerte a trabajar como,

Habitualmente pero no vas a estar ahí continuamente descargando y cargando el contenedor ni este tipo de,

Cosas vale una vez ya tienes cargado el contenedor ya está completamente funcionando ahora el siguiente,

Paso es cargar o arrancar un modelo en mi caso yo bueno antes de esto yo la operación sería ejecutar el,

Contenedor ejecutar los comandos que están dentro del contenedor para esto es Podman exec menos it o llama o,

Llama run etcétera yo lo que he hecho ha sido crearme un script bueno mejor dicho una abreviatura en fish que lo,

Que hace es cuando escribo o llama directamente ya me arranca todo esto el primer paso sería hacer,

Un pool de gema 4 para descargar gema 4 yo no lo voy a hacer ahora porque en su momento ya lo hice y,

Descargar gema 4 es pesado son varios gigas con lo cual va a tardar un ratito así que directamente lo,

Que voy a hacer es ejecutar lo que sería o llama run gema 4 perdón y con esto va a empezar a cargar el,

Modelo de gema 4 en memoria para poder empezar a utilizarlo indicarte que en las notas del episodio,

Además de dejarte todos estos comandos todas estas instrucciones y toda la historia que te voy a contar,

Hoy también te voy a dejar una chuleta una chichit que he hecho para mostrarte todos los comandos que,

Vamos a utilizar y decirte que esta chuleta la he hecho también útil y básicamente con una con un,

Modelo de lenguaje con un modelo de lenguaje y con types le he dicho exactamente en lo que quería hacer,

Incluso en una de las opciones le he pasado el template que íbamos a utilizar le he dicho pues ahora,

Me creas en la plantilla o en la chuleta para poder utilizarlo posteriormente bueno ya cargado una,

Vez ha cargado lo que pasa es que el uso de gpu empieza a ser ya del bueno pues no lo tiene bueno,

Está está bajito pero ya tiene disponible aquí un 1,8 gigas de.

De carga vale entonces una vez hecho esto ahora ya podemos empezar a trabajar con oyama y para trabajar,

Con oyama de forma interactiva porque es lo que vamos a hacer ahora a trabajar de forma interactiva,

Lo que podemos hacer es,

Todo tipo de operaciones lo normal que hacemos habitualmente por ejemplo si le escribimos un hola,

Pues nos va a contestar además si,

Lo primero es que nos va a mostrar todo el razonamiento que hace,

Si lo tenemos activado y con esto lo que vamos a poder,

Es ver qué es lo que está haciendo y cómo lo está haciendo,

Directamente me contesta ya hola cómo estás en qué puedo ayudarte hoy esto sería lo,

Lo típico pero además tenemos una serie de funciones una serie de comandos que nos va a,

Permitir saber información sobre todo por ejemplo podemos conocer información de o detalles del,

Modelo por ejemplo con show info lo que nos va a mostrar es el la arquitectura los parámetros,

El contexto la longitud del contexto en la longitud del embedding en fin toda la información y la,

Cuantización todo esto lo podemos ver también podemos ver la temperatura de manera que si,

Recuerdas cero es lo más digamos,

O al revés para no liarnos uno es lo más creativo posible y cero lo menos creativo posible,

Vale esto sería con show info luego con show license,

Show license perdón lo que vemos es la la licencia lo voy a hacer un poco grande que en este caso se trata de una licencia apache,

Qué más cosas podemos hacer nos puede mostrar el el archivo del modelo show,

Model file,

Que en este caso nada,

Show parameters,

A ver barra show parameters,

Que aquí sí que nos va a decir los distintos parámetros básicamente la temperatura,

El top k y el top p,

Que yo creo que tengo aquí en la chuletilla,

Pues no lo tengo si el top k es el filtro de palabras probables y el top p pues no me acuerdo pero está ahí,

Luego también tenemos otras opciones como además de mostrarte los parámetros podemos mostrar el mensaje del sistema,

Si hacemos un show system,

Pues aquí por ejemplo no hay ningún,

Ningún,

Nada especificado para esta modelo pero se lo podemos poner con set,

System,

Y le podemos decir que eres un experto,

Desarrollador,

Senior,

De python,

Y además eres un,

Estupendo un fenómeno,

Un estupendo docente,

Ya le hemos dicho quién es y ahora le podemos decir,

Sabes python por ejemplo podemos preguntar sabes python,

Ahora con lo que le hemos,

Aportado,

Y si bien,

Sigues,

Dice claro que sí,

Más que saber python estoy entrenado para ser un experto desarrollador,

Y aquí te está contando,

Toda la historia,

Y milagros,

Dicho esto,

Otra de las cosas que podemos hacer por ejemplo es,

Mostrar,

A ver,

Mostrar set verbose,

Ahora mostraremos más cosas,

Y ahora le voy a decir lo mismo,

Con el set verbose lo que nos va a decir o lo que nos va a mostrar es información,

Acerca de cada una de las respuestas que nos dan,

Por ejemplo en este caso,

Nos dice que la respuesta ha tardado 7 segundos en darnosla,

Y que la velocidad de los tokens es de 72 tokens por segundo,

Que yo creo que está bastante bien,

Para ser un modelo local,

Igual que toda esta información,

Si le ponemos set,

Set verbose,

Perdón set quiet,

Set quiet,

Y set nothing.

Vale,

Y ahora le volvemos a decir lo mismo,

Bueno,

Le voy a decir que haga un script,

Haz,

Un script,

Sencillo.

De python,

De ejemplo,

¿No,

Por ejemplo,

Aquí ya no nos muestra ninguna información,

De absolutamente nada,

No nos muestra,

El razonamiento que ha hecho,

Directamente ya empieza,

A escribir,

Su script,

En python,

O sea que,

Como ves,

Tienes aquí,

Básicamente las mismas,

Información o las mismas,

Configuración que puedes hacer directamente,

En un entorno web,

También lo puedes hacer aquí en la terminal,

Con la ventaja de que estás en la terminal,

Que para algunos estar en la terminal,

Va a ser un infierno,

Y para otros,

Para otras personas,

Pues nos sentimos como,

Pez en el agua,

Bueno,

Dicho esto,

Todos los comandos,

Que te he estado contando hasta ahora,

Los puedes mostrar,

Utilizando,

Barra,

Interrogante,

Con esto te muestra,

El set,

El show,

El load save,

El clear,

Y un comando fundamental,

Que es el buy,

Que es para salir,

Igualmente,

Como te he dicho,

El barra help,

Pues te muestra,

La ayuda,

Y además tienes,

El barra,

Interrogante,

Shortcuts,

Shortcuts,

Que te va a mostrar,

Todos los atajos,

Que tiene disponibles,

Control A,

Bueno,

Básicamente,

Los atajos de teclado,

Son los mismos,

Que,

Cuando estás trabajando,

Con Emax,

O con Bash,

Básicamente,

Los comandos,

Son exactamente iguales,

¿Qué más cosas,

Puedes hacer.

Por ejemplo,

Una de las cosas,

Que puedes hacer,

Puede ser,

El tema de los parámetros,

Puedes,

Modificar,

Los parámetros,

Set parameter,

Y aquí lo que podemos hacer,

Por ejemplo,

Es,

La temperatura,

Set parameter,

Temperature,

Temperature,

Y en vez de,

Uno,

Que tenemos ahora,

Le podemos poner,

Cero,

Y ahora,

Haz,

Un script,

En,

Python,

Bueno,

Ahora aquí hace,

Otra cosa,

¿Vale,

Pero bueno,

Que básicamente,

Estamos,

Haciendo lo mismo,

Que normalmente,

Hacemos por terminal,

Digo perdón,

Con una interfaz gráfica,

En el caso,

De chat GPT,

O de Gemini,

O cualquiera de estos,

Directamente,

A través del este,

Lo que te acabo de enseñar,

Básicamente,

El show info,

Show system,

Show template,

Todos estos comandos,

Son metacomandos,

Comandos que nos va a permitir,

Personalizar,

O detallar,

De una manera,

Muy clara,

Como queremos,

Que se comporte,

Nuestro modelo,

Incluso podemos,

Hacer operaciones,

Como guardar,

Por ejemplo,

Pitónico,

Con esto,

Hemos creado,

Nuestro,

Nuestro modelo,

Pitónico,

Y en un momento,

Determinado,

Lo podemos cargar,

Hemos cargado,

El modelo pitónico,

Y con esto,

Podemos,

Estar trabajando,

Con,

Básicamente,

Cualquier cosa,

Que nos,

Que se nos ocurra,

Por ejemplo,

Podemos hacer aquí,

Una función,

¿No.

Verifica esta función,

Dos puntos,

Y ahora hacemos,

Aquí la función,

Y ya,

Me he pasado,

Listo,

Def,

Print,

No,

Hola,

Saluda,

Print,

Hola,

Por ejemplo,

Nada,

Y nos dice,

Código,

Original,

Incorrecto,

Tienes que hacerlo,

De esta manera,

Podemos hacer,

Otra,

Otra,

Bueno,

Aquí,

Claro,

Nos está explicando,

Exactamente,

Como es un excelente,

Docente,

Nos explica,

Con detalle,

Cada uno,

De los pasos,

Que tenemos,

Que hacer,

Pues aquí,

Nos dice,

Que nos olvidamos,

El código,

Como ves,

Al final,

Primera,

Cada vez,

Que hacemos,

Cualquier cosa,

Cada vez,

Que le pedimos,

Cualquier cosa,

A nuestro modelo,

Por ejemplo,

Cuéntame,

Háblame,

Sobre,

Háblame,

Sobre,

Los decoradores,

De python,

Entonces,

En el momento,

En que empieza,

La carga,

De cpu,

Sube,

Hasta el,

100%,

Y,

Va haciendo,

Toda la respuesta,

En el momento,

Que termina,

Pues,

La carga,

De cpu,

Baja,

Hasta el,

Cero,

Esto es justo,

Cuando,

Ha terminado,

Te va contando,

Toda la historia,

Ves,

Te gustaría,

Cómo implementar,

Entonces,

Ahora,

Si,

Si,

Si observas,

Detenidamente,

Cómo va,

La evolución,

Simplemente,

Lo que vas a ver,

Es que,

La memoria,

Está,

A 10 gigas,

De 16,

Y la gpu,

Ahora mismo,

Está a cero,

Y conforme,

Vamos utilizando,

El uso de gpu,

Carga,

Aumenta,

Hasta el 100%,

Como,

Como te puedes imaginar,

Y el uso de memoria,

Más o menos,

Ya está,

Estabilizado,

El uso de memoria,

Está pues,

Un poquito,

Por debajo,

Del 75%,

Estará al 70%,

Y eso se mantiene,

Constante,

Porque,

Tiene ahora,

Todo el modelo,

De lenguaje,

Cargado en memoria,

Y ahí es donde está,

La gracia,

Ahí donde reside,

Realmente la gracia,

De todo esto,

La gracia de esto,

Es que,

Un modelo,

Muy grande,

A lo mejor,

Un modelo,

Excesivamente grande,

Es incapaz,

De cargarlo,

En memoria,

Y tienes,

Que buscar,

El mejor modelo,

El modelo,

Que se adapte,

A tus circunstancias,

En este sentido,

Siempre puedes recurrir,

Bueno,

En el caso,

De,

Oyama,

Simplemente,

Tienes que ir,

A la página web,

De Oyama,

Como te mostré,

En el capítulo,

Anterior,

Y,

O en el,

Episodio anterior,

Buscas el modelo,

Que se adapte,

Mejor,

A tu,

Memoria,

A tu tarjeta,

Nvidia,

O a la tarjeta,

Que estés utilizando,

Y con esto,

Pues,

Empiezas a funcionar,

Si intentas cargar,

Un modelo muy grande,

Pues probablemente,

Te mande a freír,

Espárragos,

Y esto es un poco,

Lo que te quería contar,

Básicamente,

Se trata,

De,

Ver todas las posibilidades,

Y todas las opciones,

Que nos ofrece,

Oyama,

Directamente,

Desde terminal,

Pero para que te des cuenta,

Básicamente,

De,

Que todo,

O sea,

Que desde aquí,

Desde la terminal,

Puedes,

Realizar toda una serie,

De operaciones,

Que en muchas ocasiones,

En la,

Página web,

O en la web,

O en la interfaz web,

Como lo quieras,

No vas a tener,

Las disponibles,

Porque son,

No están disponibles,

O a lo mejor,

Están en un modo avanzado,

Y aquí sí,

Pero también te has dado cuenta,

Que bueno,

Trabajar aquí,

En la terminal,

Con todo esto,

Pues no es nada,

Práctico,

Sí,

Puedes copiar,

Y pegar,

Y todo esto,

Pero,

No es la mejor solución,

En el próximo episodio,

Lo que vamos a ver,

Es la,

Rest,

Api,

De,

Oyama,

De manera que,

Vamos a poder interactuar,

Con Oyama,

Pero en este caso,

A través de,

Llamadas api,

Y no solamente esto,

Sino que vamos a crear,

Vamos a implementar,

Una función,

Bueno una función,

Una pequeña aplicación,

En Rust,

Con la que,

En Rust o en Python,

Cualquiera de las dos opciones,

O incluso,

Es muy probable,

Que hagamos,

En las dos opciones,

Para interactuar,

Exactamente,

Con esta interfaz,

Una de las grandes ventajas,

Que vamos a tener,

En los siguientes episodios,

Es que,

Llegará el momento,

En que,

Esa herramienta,

Que hemos creado,

Para la terminal,

La podamos,

Continuar desarrollando,

Con otras piezas,

Sin que prácticamente,

Nosotros tengamos,

Necesidad de intervenir,

Sino que,

Será,

El propio modelo,

El que se,

Retroalimente,

A sí mismo,

Para ir creando,

Esta herramienta,

Así que,

Nada,

Esto es un poco,

Lo que quería contarte,

En este nuevo episodio,

Donde has podido ver,

Exactamente,

Cómo interactuar,

Con Oyama,

Directamente,

Desde la terminal,

Para,

Los siguientes pasos,

Sería,

Utilizando,

La red,

TAPI,

Y una pequeña,

Aplicación,

Que vamos a desarrollar,

Para poder trabajar,

Con ella,

Y particularizarlo,

Sobre todo,

A nuestras necesidades,

Y poco más que contarte,

Espero que te haya gustado,

Este nuevo episodio,

Y que lo hayas disfrutado,

Tanto como lo he disfrutado yo,

Recordarte,

Que este es un podcast,

De la red de podcast,

De sospechosos habituales,

Donde puedes encontrar,

Fantásticos,

Y maravillosos podcasts,

Puedes participar,

En esa red,

Entrando en,

WinTabletInfo,

Y de la misma manera,

Si quieres participar,

En el grupo,

Atareado con Linux,

Simplemente tienes que buscar,

Eso,

Atareado con Linux,

En Telegram,

Y allí nos vas a encontrar,

Hablando de,

Un poco de todo,

Y poco más que decirte,

Y recordarte,

Que la vida son dos días,

Y uno ya ha pasado,

Así que disfruta,

Como si no hubiera mañana,

Y si puede ser,

Con Linux,

Y en este caso,

Con Oyama,

Mejor que mejor,

Un saludo,

Y nos escuchamos,

El próximo,

Lunes,

¡Hasta luego.

Deja una respuesta