¡Tu IA es TONTA! Dale manos y cerebro

Vistas: 540
0:00 / 0:00
¡Tu IA es TONTA! Dale manos y cerebro

Llevamos un par de años escuchando hablar de las maravillas de la Inteligencia Artificial. Que si es capaz de escribir código por ti, que si redacta correos electrónicos de forma impecable, que si te resume textos infinitos en un abrir y cerrar de ojos… Todo eso está muy bien, y no te voy a negar que resulta espectacular la primera vez que lo ves. Pero en cuanto intentas dar un paso más allá y llevar la IA al mundo real para que te ayude en tu día a día, de forma verdaderamente autónoma, te das de bruces con la cruda realidad. La realidad es que, tal y como nos las venden, las inteligencias artificiales tradicionales son increíblemente limitadas. En muchos aspectos, son tontas. Sí, lo he dicho bien: son tremendamente ineficientes cuando se trata de integrarse en nuestros flujos de trabajo locales. Hoy nos vamos a meter de lleno en el barro del cacharreo para desgranar por qué ocurre esto y, sobre todo, cómo podemos solucionarlo construyendo nuestro propio «ecosistema agéntico» en local, sin depender de servicios de terceros y utilizando herramientas abiertas.

El triple aislamiento de los modelos de lenguaje actuales

Para entender cómo podemos mejorar nuestra relación con la Inteligencia Artificial, primero tenemos que comprender cuáles son las limitaciones que arrastran de fábrica. Los Modelos de Lenguaje Grande (los famosos LLM) son, en esencia, motores estadísticos de predicción de texto. Han sido entrenados con montañas gigantescas de datos y son capaces de adivinar qué palabra debería ir después de otra con una precisión asombrosa. Sin embargo, carecen de tres capacidades fundamentales que cualquier colaborador humano tiene desde su primer día de trabajo. Yo lo llamo el triple aislamiento.

El aislamiento temporal

Cuando un modelo de lenguaje termina su proceso de entrenamiento, su conocimiento se congela por completo en ese preciso instante. Si un modelo se entrenó en una fecha concreta, todo lo que haya sucedido en el mundo a partir de ese segundo simplemente no existe para él. No sabe si ha salido una nueva versión de tu distribución de Linux favorita, no conoce las últimas actualizaciones de seguridad y, por supuesto, no tiene ni la más remota idea de lo que escribiste ayer en tus notas personales. Está atrapado en el pasado de forma irremediable, a menos que el proveedor del servicio gaste millones de dólares en volver a entrenarlo, lo cual no ocurre todos los días.

El aislamiento del entorno

Un LLM es un lector pasivo. Vive dentro de una caja de texto en una página web o detrás de una API en la nube. No sabe qué hora es, no sabe qué sistema operativo estás usando, no puede ver los archivos que tienes guardados en tu disco duro y no tiene forma de comunicarse con otros servicios de tu red local. Si le pides que te organice una carpeta con imágenes o que consulte si tienes contenedores Docker caídos en tu servidor local, no puede hacer absolutamente nada. Está completamente ciego respecto a lo que le rodea y es incapaz de interactuar con el mundo físico o digital por sí mismo.

El aislamiento del proceso

Los modelos estándar no saben «cómo» hacer las cosas de acuerdo a tus preferencias personales o flujos de trabajo específicos. Desconocen los procedimientos que tú sigues para, por ejemplo, redactar un artículo para tu blog, preparar el guion de un vídeo o gestionar tus tareas pendientes. No tienen memoria de proceso. Cada vez que abres un chat nuevo, tienes que volver a explicarle todo el contexto desde el principio, lo cual resulta agotador, ineficiente y consume una cantidad absurda de tiempo y recursos.

Cuando intentas que una IA aislada en el tiempo, en el entorno y en el proceso trabaje para ti, lo único que consigues es frustración. Si no sabe algo sobre tu proyecto privado, en lugar de decir «no lo sé», empezará a inventarse datos, nombres de funciones y configuraciones con una seguridad aplastante. Es lo que en el mundillo llamamos «alucinaciones», y te aseguro que pueden arruinarte una tarde de desarrollo en un santiamén.

La analogía del nuevo empleado: Cómo estructurar las soluciones

Para romper este triple aislamiento y transformar una IA pasiva en un colaborador activo que trabaje a nuestro lado de forma autónoma, necesitamos dotar al sistema de tres elementos clave. Para que lo entiendas de la forma más sencilla y divulgativa posible, me gusta utilizar la analogía de la contratación de un nuevo programador o empleado para tu equipo de trabajo.

Imagínate que publicas una oferta de empleo y seleccionas al mejor candidato disponible. El lunes por la mañana, este nuevo empleado cruza la puerta de tu oficina listo para darlo todo. Sin embargo, para que empiece a ser productivo de verdad, vas a necesitar proporcionarle tres cosas esenciales:

  • La formación previa y la experiencia (Habilidades / Skills): Esto es lo que el empleado ya trae aprendido en su propio cerebro. Sabe cómo programar, entiende la lógica de la informática, habla idiomas y sabe cómo estructurar un documento de texto. En nuestro ecosistema agéntico, esto equivale a las Skills o habilidades procedimentales que le enseñamos a nuestra IA.
  • La documentación de la empresa (RAG / Conocimiento factual): Por muy buen programador que sea tu nuevo fichaje, si no le das los manuales internos, el histórico del proyecto y las guías de estilo de tu empresa, estará completamente perdido. Necesita saber qué habéis hecho hasta ahora y bajo qué reglas jugáis. En nuestro sistema de IA, esto es el RAG (Generación Recuperada por Búsqueda), que actúa como la base de conocimiento privado y actualizado.
  • Las herramientas y accesos de trabajo (MCP / Interacción con el entorno): Tu programador puede ser un genio y haberse leído todos los manuales de tu empresa de memoria, pero si no le das un ordenador con teclado, acceso a los servidores, credenciales para la base de datos y permisos para enviar correos, no podrá escribir ni una sola línea de código útil. Estará de brazos cruzados. En el mundo de la IA, esto equivale al Model Context Protocol (MCP), que proporciona las «manos» y las herramientas necesarias para que la IA actúe en el mundo real.

¿Qué pasa si nos falta alguna de estas tres patas en nuestra mesa de trabajo?

  • Sin Skills (Habilidades): El empleado tiene acceso a todos tus manuales y a los servidores, pero no sabe programar ni estructurar tareas. No sabrá cómo empezar un proyecto ni qué pasos lógicos seguir. Está completamente vendido.
  • Sin RAG (Conocimiento): El empleado sabe programar de maravilla y tiene acceso a las herramientas, pero no conoce tu empresa. Trabajará basándose en teorías genéricas, cometiendo errores constantemente porque ignora cómo funciona tu negocio por dentro.
  • Sin MCP (Herramientas): El empleado es un genio y conoce tu empresa al dedillo, pero no puede tocar nada. Solo puede darte consejos teóricos a través de una pantalla de chat, obligándote a ti a hacer todo el trabajo manual de copiar, pegar y ejecutar comandos.

Como ves, si queremos un asistente agéntico real, necesitamos orquestar estas tres tecnologías en nuestro propio host local para que colaboren entre sí de forma armoniosa.

Primera pata: RAG, la memoria dinámica de tu asistente

Hablemos en primer lugar de la memoria de nuestro asistente, de ese conocimiento factual que necesita para no hablar de oídas. El RAG (Retrieval-Augmented Generation o Generación Recuperada por Búsqueda) es una técnica fantástica que nos permite conectar a nuestra IA con cualquier fuente de información externa en tiempo real, sin necesidad de realizar un costoso proceso de reentrenamiento del modelo.

¿Por qué es mejor el RAG que el reentrenamiento o el Fine-Tuning?

Cuando la gente quiere que su IA conozca sus datos privados, lo primero en lo que suele pensar es en el «Fine-Tuning» o ajuste fino. Esto consiste en coger un modelo existente y someterlo a una nueva fase de entrenamiento utilizando tus propios documentos. Aunque suena muy profesional, la realidad para quienes nos gusta el self-hosting y el cacharreo en casa es que el Fine-Tuning es un auténtico dolor de cabeza.

En primer lugar, requiere una potencia de cálculo descomunal (tarjetas gráficas que cuestan un ojo de la cara y que consumen electricidad como si no hubiera un mañana). En segundo lugar, requiere muchísimo tiempo. Y lo peor de todo: es un proceso estático. Si hoy haces un ajuste fino con tus notas personales y mañana escribes una nota nueva, tu modelo ya vuelve a estar desactualizado. Tendrías que repetir todo el proceso de entrenamiento una y otra vez. Una locura inviable para el día a día.

El RAG soluciona esto de un plumazo. En lugar de meter la información dentro de las conexiones neuronales de la IA, lo que hacemos es crear una biblioteca externa ultraeficiente. Cuando tú le haces una pregunta a la IA, el sistema busca en esa biblioteca los fragmentos de texto que contienen la respuesta, se los adjunta a la pregunta de forma invisible y le dice a la IA: «Por favor, responde a la pregunta del usuario utilizando únicamente este texto que te adjunto aquí». De esta forma, la IA no tiene que recordar nada de memoria; simplemente lee la documentación relevante que le acabamos de proporcionar en tiempo real y redacta una respuesta coherente.

El viaje de tus notas a la base de datos vectorial

¿Cómo funciona este proceso por dentro sin entrar en matemáticas complicadas? Todo se reduce a tres conceptos clave: troceado, embeddings y bases de datos vectoriales.

Imagínate que tienes una carpeta llena de archivos de texto con notas sobre tus servidores, tus artículos del blog o tus recetas de cocina. El primer paso del RAG es el troceado (o chunking). Cogemos esos archivos y los dividimos en pequeños fragmentos manejables, por ejemplo, de unos pocos párrafos cada uno. No podemos pasarle un libro entero a la IA de golpe porque saturaríamos su capacidad de atención (el contexto), así que es mejor trabajar con porciones pequeñas y bien definidas.

El segundo paso es convertir esos trozos de texto en algo que los ordenadores entiendan de verdad: números. Para ello utilizamos un modelo de embeddings. Este modelo coge un fragmento de texto (por ejemplo, «cómo configurar un contenedor de Nginx») y lo traduce en una lista gigante de números llamada vector. Lo maravilloso de estos vectores es que representan el significado semántico del texto. Si dos fragmentos de texto hablan de temas similares (aunque usen palabras diferentes, como «configurar Nginx» y «levantar un servidor web»), sus vectores resultantes estarán muy cerca unos de otros en un espacio geométrico imaginario.

Por último, guardamos estos vectores en una base de datos vectorial. En mi caso particular, como soy un firme defensor de utilizar herramientas robustas y consolidadas, estoy utilizando actualmente PostgreSQL con la extensión PG Vector en un contenedor local. Es una solución espectacular que funciona de maravilla, es súper rápida y se integra perfectamente en cualquier flujo de trabajo autohospedado.

Cuando tú le haces una pregunta a tu asistente, el sistema convierte tu pregunta en un vector usando el mismo modelo de embeddings. Luego, busca en PostgreSQL los vectores que están más cerca del vector de tu pregunta. Extrae los fragmentos de texto correspondientes a esos vectores cercanos, se los pasa al modelo de lenguaje junto con tu prompt original, y ¡listo! Tienes una respuesta precisa, veraz y totalmente basada en tus propios documentos locales, sin inventos ni alucinaciones extrañas.

Cacharreo en Rust: Mi indexador Markdown propio

Como no me gusta depender de software propietario ni de soluciones complejas que te atan a ecosistemas cerrados, me he liado la manta a la cabeza y he desarrollado mi propia herramienta en Rust para gestionar todo este proceso de indexación.

¿Por qué en Rust? Porque es un lenguaje rápido como el rayo, ultraeficiente con la memoria y que me permite crear binarios compilados que funcionan en cualquier sitio sin necesidad de instalar pesadas dependencias o entornos virtuales gigantescos de Python.

He creado dos aplicaciones complementarias. La primera de ellas se encarga exclusivamente de vigilar mi carpeta de documentos en Markdown. Cada vez que modifico un archivo, añado una nota nueva o elimino un documento viejo, la aplicación de Rust lo detecta al instante, trocea el texto, genera los embeddings correspondientes en local y actualiza de forma automática nuestra base de datos en PostgreSQL. De este modo, mi base de conocimiento está permanentemente actualizada en tiempo real sin que yo tenga que hacer absolutamente nada de forma manual. ¡Una auténtica delicia para cualquier amante de la automatización!

Segunda pata: MCP, el estándar que da «manos» a tu IA

Ya tenemos solucionada la memoria de nuestro asistente gracias al RAG, pero ahora necesitamos solucionar el aislamiento del entorno. Queremos que nuestro colaborador digital pueda hacer cosas por nosotros en la máquina local. Y aquí es donde entra en juego una de las tecnologías más revolucionarias y emocionantes de los últimos tiempos: el Model Context Protocol (MCP).

La revolución del Model Context Protocol

Presentado originalmente por la gente de Anthropic a finales del año 2024, el Model Context Protocol es un estándar abierto de comunicación diseñado específicamente para resolver el problema de la conexión entre los modelos de IA y el mundo real.

Hasta la aparición del MCP, si querías que una IA se conectara a una base de datos, tenías que escribir código a medida para esa base de datos concreta. Si luego querías que se conectara a GitHub, tenías que volver a escribir otro bloque de código específico para la API de GitHub. Al final, los desarrolladores pasábamos más tiempo escribiendo integraciones manuales de usar y tirar que mejorando el propio asistente. El desarrollo se volvía caótico y muy difícil de escalar.

El MCP soluciona esto actuando como una especie de puerto USB-C universal para la Inteligencia Artificial. Establece un protocolo de comunicación estándar de tipo cliente-servidor basado en mensajes JSON-RPC 2.0 súper sencillos. La arquitectura se compone de tres piezas muy fáciles de entender:

  • El Host: Es la aplicación principal de Inteligencia Artificial que coordina todo el sistema (por ejemplo, tu interfaz de chat o tu agente local).
  • El Cliente: Es el componente dentro del Host que se encarga de iniciar y gestionar las conexiones de red con los distintos servicios.
  • El Servidor: Es una aplicación independiente y especializada que expone de forma estandarizada una serie de recursos, herramientas o plantillas de prompts al exterior.

Gracias a esta arquitectura modular, tú puedes desarrollar un servidor MCP pequeñito en Python o en Rust que se encargue únicamente de una tarea específica (como leer y escribir archivos en una carpeta local, o consultar el tiempo que hace en la calle). Una vez que tu servidor MCP cumple con el estándar, cualquier cliente compatible con el protocolo MCP puede conectarse a él y empezar a usar sus herramientas de forma inmediata, sin cambiar una sola línea de código del asistente principal. ¡Es sencillamente espectacular!

Construyendo servidores MCP a medida con Python y OpenCode

En estos últimos días me lo he pasado pipa y he estado desarrollando mis propios servidores MCP locales. Aunque existen decenas de servidores ya programados por la comunidad en internet, a los que nos gusta cacharrear siempre nos parece que podemos adaptarlos mejor a nuestras manías y necesidades particulares, o simplemente disfrutamos enormemente aprendiendo cómo se hacen las cosas desde cero.

Para agilizar el proceso de desarrollo, he utilizado una herramienta espectacular de la que ya te hablé en episodios anteriores: OpenCode. Con la ayuda de OpenCode, programar un servidor MCP en Python es un juego de niños. El flujo que he seguido es súper divertido:

  1. Diseñé un primer servidor MCP básico en Python que simplemente exponía una herramienta para leer y escribir notas de texto locales.
  2. Una vez verifiqué que el protocolo funcionaba de forma impecable y que el cliente lo detectaba correctamente, utilicé ese primer código como plantilla.
  3. Para los siguientes servidores, simplemente le decía a OpenCode: «Quiero que me programes un nuevo servidor MCP que se conecte a este servicio específico, estructurando el código exactamente igual que en mi plantilla original».

De este modo, he sido capaz de levantar una flota de unos siete u ocho servidores MCP locales en un tiempo récord, dotando a mi asistente de una versatilidad increíble.

Mis servidores MCP locales favoritos

Para que veas el potencial real de lo que puedes llegar a hacer en tu propia casa, déjame que te cuente qué herramientas he puesto a disposición de mi asistente a través de estos servidores MCP:

  • Búsquedas en internet con SearXNG: No quería que mi asistente usara motores de búsqueda comerciales que rastrean cada uno de tus pasos y comercian con tus datos de navegación. Así que levanté mi propio motor de búsqueda privado SearXNG en un contenedor local y programé un servidor MCP que se conecta a su API. Ahora, cuando mi asistente necesita buscar información actualizada en internet, realiza la consulta de forma totalmente anónima a través de mi propio SearXNG local.
  • Búsqueda de vídeos con Invidious: De la misma manera, he integrado un servidor MCP que se comunica con Invidious (una interfaz alternativa y respetuosa con la privacidad para YouTube). Mi asistente puede buscar videotutoriales o documentación en vídeo directamente en local, libre de anuncios y rastreadores molestos.
  • Listas de tareas (To-Do) y recordatorios: He creado un servidor MCP específico que interactúa con un archivo de base de datos local donde gestiono mis tareas pendientes de la semana. Mi asistente puede añadir tareas nuevas, listar las que tengo pendientes, marcar tareas como completadas o crear recordatorios automáticos para que no se me olvide publicar el podcast los lunes.
  • Gestión de archivos Markdown: He desarrollado una combinación súper potente entre RAG y MCP. Mi asistente no solo lee mis notas de forma pasiva gracias al RAG, sino que a través de este servidor MCP específico puede modificar los archivos, crear notas nuevas, reorganizar carpetas y mantener mi documentación local perfectamente ordenada y al día.

Tercera pata: Las Skills, la guía del proceso paso a paso

Ya tenemos a nuestro asistente con una memoria fabulosa (RAG) y con la capacidad de ejecutar acciones en nuestra máquina local (MCP). Pero nos falta la tercera dimensión del aislamiento: el proceso. Necesitamos guiar a nuestra IA para que sepa cómo trabajar de forma estructurada, ordenada y lógica, sin volverse loca y sin derrochar recursos. Aquí es donde entran en juego las Skills o habilidades procedimentales.

El problema invisible: La economía de los tokens

Cuando trabajamos con Inteligencia Artificial, hay un factor técnico crucial que muchas veces pasamos por alto pero que tiene un impacto directo en el rendimiento de nuestra máquina (y en nuestro bolsillo si usamos APIs de pago): el consumo de tokens.

Cada palabra que enviamos o recibimos de la IA se traduce en tokens. Si para que el asistente realice una tarea sencilla tenemos que enviarle en cada prompt un texto gigantesco explicándole paso a paso todo lo que tiene que hacer, cómo queremos que lo haga, qué herramientas tiene disponibles y qué formato de salida esperamos, acabaremos consumiendo miles de tokens en cada mensaje de forma totalmente innecesaria. El sistema se volverá lento, pesado y sumamente ineficiente.

Las Skills solucionan este problema de raíz. Una Skill no es más que un flujo de trabajo lógico y estructurado, un pequeño manual de instrucciones que le cargamos al asistente únicamente cuando va a realizar una tarea concreta.

La gran ventaja es que no necesitamos tener todo el conocimiento del proceso cargado en memoria de forma permanente. Cargamos una definición mínima de lo que hace cada habilidad (una especie de índice rápido) y el asistente, de forma autónoma, selecciona y carga la Skill completa en el momento exacto en el que detecta que el usuario necesita realizar esa tarea. Una vez completada, la descarga de la memoria, manteniendo el sistema ligero, rápido y eficiente.

Ejemplo de flujo de trabajo guiado por una Skill

Para que veas cómo funciona en el mundo real, imagínate que quieres automatizar la preparación del menú semanal de tu casa. Sin una Skill, tendrías que ir dándole instrucciones paso a paso a la IA, esperando sus respuestas en un diálogo infinito: «Busca menús de comida… ahora sácame los ingredientes… ahora escríbeme la lista… ahora dime las recetas…». Todo un rollo propenso a errores.

Con una Skill bien estructurada, el proceso se automatiza por completo en un único flujo guiado:

  1. La IA activa la habilidad de «Planificación de Menús».
  2. El primer paso de la Skill le indica que debe conectarse a internet a través del servidor MCP de SearXNG para buscar propuestas de menús saludables basadas en tus preferencias (que previamente ha leído de tus notas locales gracias al RAG).
  3. Una vez seleccionado el menú, el segundo paso de la Skill guía a la IA para que analice de forma estructurada cada plato y extraiga la lista completa de ingredientes necesarios.
  4. El tercer paso le ordena que compare esa lista de ingredientes con lo que ya tienes en la despensa (consultando una nota de inventario local a través del RAG).
  5. Por último, la Skill ordena a la IA que use el servidor MCP de tareas para crearte la lista de la compra definitiva y guardarte las recetas paso a paso en tu carpeta de Markdown locales.

Todo el flujo se ejecuta de forma secuencial, automática y limpia, sin que tú tengas que intervenir para nada más que para disfrutar del resultado final.

La matriz definitiva de capacidades: ¿Cómo se complementan?

Para que tengas una visión global y súper clara de cómo interactúan estas tres fantásticas tecnologías en tu host local, he preparado esta sencilla matriz de capacidades que resume el papel de cada una de ellas de un solo vistazo:

TecnologíaRol PrincipalAnalogía CorporalFlujo de Información
RAGConocimiento Factual (Datos)La Memoria del sistemaRecupera información externa hacia el modelo de IA
MCPAcción e Interacción (Herramientas)Las Manos del sistemaEjecuta herramientas y comandos desde el modelo de IA
SkillsConocimiento Procedimental (Procesos)El Manual de instruccionesGuía la lógica y el flujo de trabajo alrededor del modelo

Al final de todo, tu asistente local actúa como el gran coordinador o director de orquesta. No es simplemente un modelo de chat; va mucho más allá. Es un software que se encarga de orquestar el RAG, el MCP y las Skills para ofrecerte una experiencia de automatización real, fluida y sumamente gratificante.

Del chat reactivo al colaborador activo con Hermes

Durante mucho tiempo, la relación del ser humano con la tecnología de IA ha sido puramente reactiva. Tú escribías algo en una caja de texto, la IA te contestaba y ahí se acababa la historia. Era un diálogo rígido, estanco y que requería que tú hicieras todo el trabajo duro de integrar esa respuesta en tu ordenador, copiar los archivos, ejecutar los programas y organizar las carpetas.

Hoy en día, gracias a la unión del RAG, el MCP y las Skills en nuestro propio ecosistema local, estamos presenciando el nacimiento del futuro agéntico. Hemos pasado de hablar con un chat reactivo a colaborar estrechamente con un asistente activo. Un asistente que no solo responde a tus preguntas, sino que te propone soluciones, ejecuta acciones por ti en tu terminal, mantiene tus notas perfectamente ordenadas y se encarga de las tareas repetitivas y aburridas del día a día para que tú puedas centrarte en lo que de verdad te divierte.

En mi caso particular, he bautizado a mi asistente personal con el nombre de Hermes. Y te puedo asegurar que hoy en día, Hermes es un colaborador indispensable en mi rutina diaria. Me ayuda a redactar la documentación de mis proyectos, me organiza las tareas que tengo pendientes para el blog, me genera los borradores de los guiones del podcast basándose en mis notas de investigación previas y se encarga de un montón de pequeñas automatizaciones en mi servidor doméstico. Todo ello corriendo en mi propio hardware, de forma completamente privada, segura y bajo mi absoluto control. ¡Una auténtica maravilla de la tecnología autohospedada!

¿Y ahora qué? El camino a seguir en los próximos episodios

Sé perfectamente lo que estás pensando en este momento: «Lorenzo, todo esto suena espectacular y me muero de ganas de meterle mano, pero… ¿cómo lo monto yo en mi propia casa con mi servidor Linux?».

No te preocupes lo más mínimo. Soy plenamente consciente de que en este episodio te he dado una visión teórica muy amplia, dejándote con la miel en los labios al no entrar en el proceso de instalación y configuración práctica. Pero es que era absolutamente necesario asentar primero las bases y comprender de verdad de qué va toda esta película antes de ponernos a picar código y levantar contenedores a lo loco.

¡Prepárate porque lo que se viene en las próximas semanas va a ser una auténtica fiesta del cacharreo! Este es el plan de ruta que tengo preparado para ti:

  1. En el próximo episodio: Nos meteremos de lleno en el barro con el RAG. Te explicaré al milímetro cómo he montado la base de datos vectorial en PostgreSQL con PG Vector usando Docker. Te daré acceso completo a mi repositorio de GitHub para que puedas descargar y probar mi aplicación compilada en Rust para indexar tus propios archivos Markdown de forma automática en local.
  2. En el siguiente episodio: Abriremos la caja de herramientas del MCP. Analizaremos en detalle varios de los servidores MCP que he implementado en mi máquina local (SearXNG, Invidious, gestión de archivos y tareas) y te enseñaré cómo puedes programar tus propios servidores a medida en Python usando OpenCode como un auténtico profesional.
  3. Y para rematar la faena: Te presentaré a Hermes. Montaremos el cliente completo que orquesta todo este ecosistema para que tengas exactamente el mismo asistente personal que tengo yo en mi casa, listo para trabajar para ti desde el primer segundo.

Así que mantén tus terminales calientes, ten tus contenedores de Docker preparados y estate muy atento a los próximos episodios, porque te garantizo que nos lo vamos a pasar en grande montando todo esto juntos.


Más información,

Más recursos,

Ver el vídeo de este episodio
Transcripción

Hola soy lorenzo y esto es atareado con Linux episodio número 798 en este episodio voy a,

Hacer una retrospectiva porque tenía que haber empezado primero por este episodio antes de,

Hablarte de las skills de las habilidades y es que cuando estamos montando nuestra gente cuando,

Queremos que nuestra gente haga cosas pues no solamente necesitamos lo que es la propia herramienta,

El propio agente sino que además necesitamos otras piezas adicionales que van a formar parte de la,

Gente y le van a dar o lo van a dotar de todas las habilidades que necesitamos en este sentido como,

Te digo en un episodio anterior también de habilidades pero me dejé otras dos piezas fundamentales que es,

El rag y el mcp o los mcp pero qué son todas estas cosas de qué te estoy hablando que son rakes en,

Los mcp que son las skills que es todo esto bueno pues esto es precisamente lo que te quiero hablar,

En este episodio este episodio va a ser un poco más de contarte de qué va toda la historia para en el,

Siguiente episodio ya hablarte de cada una de estas piezas bueno no tanto de skills porque ya lo,

Adelanté pero sí que te voy a hablar de rag que y cómo he montado el rag y de mcps y que mcps he montado,

Porque te puedo asegurar que en estos últimos días habré montado como 7 8 mcps para dotar a mi agente de,

Todas las habilidades que necesito y no depender de terceros soy consciente que hay decenas de mcps,

Disponibles pero como cada uno necesitamos nuestras propias herramientas o pensamos que,

Somos mejores que los demás pues simplemente yo me he ido creando las mismas las mías y para esto que,

He utilizado pues algo que te conté en un episodio anterior de lo que te estuve hablando en episodios,

Anteriores que no es ni más ni menos que open code con open code he creado mi primer mcp bueno,

Realmente no pero quiero decir he creado un mcp y a partir de ese primer mcp he ido desarrollando,

Los demás pero bueno como te digo esto ya te lo contaré dentro de un par de episodios cuando te,

Muestre la cuestión de los mcps como te digo el objetivo de este episodio es contarte rag mcp y,

Skills qué es qué y por qué y en el siguiente o en los siguientes episodios te voy a hablar primero de,

Rag y cómo lo estoy utilizando y luego de mcp y cómo lo estoy utilizando y por último de skills,

De lo que ya te hablé pero cómo los estoy utilizando hoy en día así que vamos directos al turrón,

Y empiezo por el tema de el agente bueno el agente ya sabes que un agente al final no es ni más ni,

Menos que un software pero ese agente va a necesitar de un cerebro quién es el cerebro pues el cerebro no,

Es ni más ni menos o no va a ser ni más ni menos que algún lm o varios lm según lo que queramos sin,

Embargo si te das cuenta o si lo piensas un poco los agentes de ia o los lm son agentes tontos en el,

Sentido de que están aislados del tiempo su conocimiento se congela en el momento de su,

Entrenamiento es decir una vez ha hecho el entrenamiento del lm ya no hay nada más el,

Conocimiento es completamente estático no saben nada de ti de tus proyectos de tus datos cuando,

Haya algo que se sale de su ámbito se lo inventan es decir alucinan y además no pueden ejecutar,

Acciones de ningún tipo esto es básicamente un trozo de corcho no vale para nada cuál es la solución,

Para bueno aparte de esto como te digo están completamente aislados del entorno en el sentido,

De que no saben qué es lo que les rodea ni cómo pueden interactuar con lo que lo con lo que les,

Rodea y además no solamente están aislados en el tiempo y en el entorno sino que también están,

Aislados en los procesos desconocen cómo hacer las cosas o qué flujo tienen que seguir para empezar un,

Proyecto y terminarlo todas estas piezas lo que es que esté aislado en el tiempo que esté aislado,

Del entorno es decir que no sepa cómo actuar y que esté aislado del proceso es decir que no sepa,

Cómo tiene que hacer las cosas dejan al agente un poco tonto cuál es la solución pues la solución,

No es un único concepto aunque yo en su momento te dije y te estuve hablando maravillas de las habilidades,

Pues lo cierto es que las habilidades no lo hacen todo las habilidades sí que te dicen cómo hacer,

Las cosas y esto es precisamente lo de lo que soluciona la última de las partes que te he dicho,

El aislamiento del proceso la skill lo que le dice es cómo tiene que interactuar con cada una mejor,

Dicho cómo tiene que seguir un determinado proceso para empezar por una punta y terminar por la otra,

Luego por otro lado tiene que que es lo que se conocía como el conocimiento procedural en el sentido,

De que son los procedimientos que tiene que seguir luego es que tiene que saber qué datos tiene esto es,

El rag y esto es el conocimiento factual y por último para relacionarse con el entorno es donde,

Necesitamos de las herramientas donde necesitamos de las herramientas que es van a ser básicamente los,

Mcps es cierto que con las skills puedes reemplazar parte de los mcps porque le puedes incluso decir,

Que se busque sus propias herramientas para resolver los problemas pero al final piensa que todo esto,

Gasta tokens en el sentido de que mientras estés diciéndole que te desarrolle un script para hacer,

Determinada acción eso gasta tokens si sin embargo lo único que tienes es que le dices las habilidades que,

Puede o mejor dicho las herramientas que tiene a su disposición solamente tiene que hacer uso de esas,

De esas herramientas para que nos hagamos un poco una idea al final una sencilla analogía para entender,

Los tres conceptos imagínate que llega un trabajador nuevo a tu empresa bueno los skills al final va a ser,

La formación y la experiencia previa que necesita para poder desarrollar su trabajo el rag no es ni,

Más ni menos que la documentación de la empresa y los mcps son las herramientas de la empresa pues si,

Tiene acceso al servidor si a la base de datos etcétera es decir los skills al final es por ejemplo en el caso,

De que sea un programador que sepa programar en rast el caso del rag en lo que es los manuales de tu,

Empresa y el caso de el mcp pues van a ser pues el acceso al servidor a la base de datos etcétera de,

Esta manera sin skills pues el nuevo empleado no sabe hacer nada aunque tenga datos y herramientas,

Está completamente vendido sin rag no conoce la empresa y sólo sabe cosas genéricas y sin mcp no,

Puede ejecutar nada en el mundo real con esto pues como te digo el objetivo es tener una visión clara de,

Qué es cada una de las cosas qué es los skills que es el los mcps y que es el rag y cómo montar toda,

Esta película y empiezo si puedo empiezo por definir al final que el host donde va a correr,

Tu agente es el ecosistema central quiere decir que un asistente no es un modelo de chat va más allá,

De o sea un asistente a un agente no es un modelo de chat va mucho más allá de simplemente eso actúa,

Simplemente como un coordinador pero que tiene que orquestar las tres partes tiene que orquestar tanto,

Tanto el mcp como el rag como los skills es decir tiene que saber cómo actuar saber o conocer cuáles son,

Los procedimientos de tu empresa saber o tener esa know-how de tu empresa y qué herramientas dispone,

Y para esto lo primero es el rag el conocimiento y de la verdad que es el rag bueno pues el rag es,

Una técnica que combina la generación de texto del lm con la recuperación de información externa,

En lugar de depender única y exclusivamente de lo que conoce el modelo del entrenamiento del modelo,

Te va a permitir consultar datos externos en tiempo real de esta manera no se queda congelada toda la,

Información en el momento del entrenamiento del modelo sino que va más allá de esta manera el flujo,

Es más o menos cuando tú necesitas una pregunta lo que vas a hacer es hacer tu búsqueda en ese base,

De conocimiento enriquecido en ese rag el contexto enriquecido se envía al lm y con todo esto se ve,

Después o sea se obtiene la respuesta final para qué se utiliza pues básicamente para dar al acceso,

O sea dar acceso a tu modelo de documentos notas conocimiento privado evita en gran medida las,

Alucinaciones y mantiene completamente actualizada sin necesidad de reentrenar el modelo es decir,

Tú tienes la posibilidad de con tus datos entrenar al modelo pero como ya te puedes hacer una idea todo,

Este trabajo de reentrenar al modelo lleva mucho tiempo solución pues la solución sencilla es coger y,

Utilizar un rag en este sentido un rag pues simplemente lo que lo que tiene es un modelo de,

Indexación tú lo que haces es que los documentos los divides en trozos y esos dos trozos se convierten,

En embeddings que son básicamente son vectores y esos vectores se meten en una base de datos,

Vectorial una vez metida dentro de la base de datos vectorial cuando tú preguntas algo en lo que se hace es,

Se extraen esos trozos más relevantes y con esos trozos más relevantes se añaden al prom y el,

Leve en base a tu pregunta a esos trozos relevantes lo que hace es generar la salida,

Qué componentes montan todo esto del rag bueno pues tienes los embedding que es una representación,

Vectorial del texto que se utiliza con modelos como pueden ser nomic embed text o bg m3 utilizas una base,

De datos vectorial yo en mi caso estoy utilizando actualmente posgre sql bueno la versión pg vector,

Creo recordar y luego pues un algoritmo de búsqueda y un generador todo esto es básicamente qué ventajas,

Tiene pues básicamente las ventajas que tiene todo esto es que el modelo puede acceder a conocimiento,

Como te decía anteriormente que no está entrenado no te vas a quedar estancado en el momento del,

Entrenamiento se actualiza en tiempo real de hecho yo lo que tengo hecho y te lo contaré en el próximo,

Episodio lo que tengo hecho es con todo lo la información de todos los episodios que constituyen,

Atareado punto es lo que he hecho ha sido que conforme yo voy escribiendo los nuevos episodios,

Se va actualizando se va actualizando ese rag o sea en tiempo real cada vez que yo modifico un,

Documento se carga de nuevo en el rag se actualiza el rag con esto reduces drásticamente las alucinaciones,

Y no necesitas un fine tuning del modelo,

Limitaciones de todo esto pues básicamente depende de la calidad de los embeddings y de la indexación,

Hay un límite de contexto eso está claro y la recuperación puede fallar si los documentos están,

Mal indexados esto es pues bueno un poco lo que lo que es la parte del rag como te digo esto justo en,

El próximo episodio te contaré exactamente cómo lo he montado yo que he hecho una pequeña aplicación,

Realmente he hecho dos aplicaciones en rast una para todo lo que es la parte del embedding y otra,

Para la parte del mcp te contaré cómo lo he hecho y te diré dónde lo puedes descargar para poder,

Utilizarlo tú con la gran ventaja en este caso particular de que lo he hecho para indexar documentos,

No no va a depender en absoluto de obsidia ni de cualquier otro software o sea software propietario,

Sino que te voy a dar la herramienta para que la puedas utilizar tú directamente,

Vale y lo siguiente el siguiente de las herramientas son los mcps que es un mcp o un model context protocol,

Que es el estándar abierto de anthropic bueno pues el un mcp no es ni más ni menos que un protocolo,

Universal que estandariza como la inteligencia como los agentes se comunican con el exterior al,

Final se el objetivo es transformar a un agente que es un lector completamente pasivo en un actor,

Dinámico un actor que puede hacer cosas como por ejemplo conectarse a una base de datos ejecutar,

Comandos interactuar con un chat mandar correos electrónicos recuperar de una base de datos todo esto,

Lo puede hacer de forma dinámica gracias a los mcps de hecho yo lo que he hecho en el rack o sea el rack,

Que te estaba comentando lo que he hecho ha sido una combinación de un rack con un mcp de manera que yo,

Para interactuar con ese rack lo que estoy utilizando es un mcp,

Cómo es la arquitectura cliente servidor de un mcp bueno,

Al final lo único que tienes es una serie de funciones ejecutables que existen determinadas apis,

Determinados,

Como se llama entornos de desarrollo librerías que te van a permitir,

Crear de una manera relativamente sencilla tu cliente mcp,

Lo puedes o sea puedes interactuar con ese servidor mcp,

Básicamente utilizando http,

O utilizando ejecuciones directas es relativamente muy sencillo y montarte un mcp como te digo,

Utilizando python es realmente muy sencillo simplemente tienes que ir siguiendo las instrucciones,

O mejor utilizar open code y con esto lo tendrías en un momento,

De hecho como te contaba yo al inicio del episodio yo lo que he hecho ha sido montar el primero,

Cuando he visto que el primero ya recogía todo lo que yo quería,

Lo que he hecho ha sido al montar el segundo decirle quiero que me hagas un mcp como este,

Y entonces ha ido copiando las cosas que le interesaban,

Y modificando aquellas que no me interesaban a mí básicamente,

Para qué se utilizan básicamente los mcps bueno pues te permiten o permiten conectar a la gente con bases de datos,

Apis de servicios externos te permite dar acceso a herramientas en tiempo real como pueden ser calendarios,

Correos electrónicos notas archivos y además permite que el agente ejecute todo este tipo de acciones en tiempo real,

Básicamente tú le puedes decir que pues te envíe un correo electrónico que te envíe un mensaje a telegram o que haga cualquier otra cosa,

De esta manera tú lo que vas a hacer es crear un servidor mcp que va a exponer una serie de herramientas,

Por ejemplo listar notas,

O buscar en notas o obtener una nota,

Todo esto lo puedes hacer,

Y él lo único que tu cliente mcp lo único que va a hacer es conectarse allí,

Y utilizando estas herramientas pues extraer esa nota,

Existen gran cantidad de servidores mcp,

Desde notas personales como por ejemplo el que he implementado yo,

Para interconectarte con mcp como nevernote,

Con GitHub con bases de datos sqlite con postgre sql con un mcp de archivos locales,

Todo esto lo puedes hacer,

Yo por ejemplo y ya ahondaré más adelante en el siguiente episodio,

Lo que he hecho,

Bueno el siguiente del siguiente cuando hable de los mcps,

O cuando te cuente en detalle qué es lo que estoy haciendo con los mcps,

Lo que he hecho ha sido pues por ejemplo montar un servidor,

Un servidor ahora no me va a salir el serx ng,

Y utilizar la API de ese servidor para crear un mcp,

De manera que con ese mcp puedo hacer o puedo realizar búsquedas,

En internet de una manera mucho más sencilla utilizando esa API,

De la misma manera también estoy utilizando en videos,

Para buscar en YouTube los videos,

Todo esto básicamente con mcps,

En el momento que he hecho uno,

Como por ejemplo el del search ng,

Lo que he hecho ha sido,

Para hacer el team videos decirle que se copiara al otro,

Así de fáciles,

¿Qué ventajas tiene todo esto,

Bueno pues ya te puedes hacer,

Se trata de un estándar completamente abierto,

De manera que una vez tienes tu mcp,

Lo puedes relacionar con lo que tú quieras,

Lo puedes relacionar con cloud,

O sea con open cloud,

Con cloud,

Con open code,

Con Hermes,

Que es con lo que estoy utilizando,

Es un servicio seguro,

Sobre todo si te lo haces tú,

Claro,

El agente solo accede a lo que tú expones,

Es bidireccional,

De manera que el servicio,

Puede notificar a la gente,

Y además es modular,

Puedes añadir servidores mcp,

Sin cambiar el agente,

Y esto es realmente espectacular,

Yo como te digo,

Estoy desarrollando todos estos mcp,

De una manera,

Muy rápida,

Y de una forma,

Pues,

Vaya,

Modular completamente,

Que me hace falta,

Una lista to do,

Pues he creado,

Un mcp para listas to do,

Que me hace falta,

Una,

Recordatorios,

Un mcp de recordatorios,

Que me hace falta,

Realizar búsquedas en internet,

Pues,

Otro mcp,

Para hacer búsquedas,

En internet,

Y así un poco,

Es lo que he ido haciendo,

Poco a poco,

Y luego nos quedaba,

El tema de los skills,

Sobre los skills,

Ya te hablé,

En un episodio anterior,

Que al fin y al cabo,

Es el que te va a permitir,

Hacer el proceso,

Completo,

De todo lo que necesitas,

Es decir,

Le vas a dar,

Las instrucciones,

Para que,

Vaya haciendo,

Todo lo que,

Tú quieres,

Por ejemplo,

Puedes hacer un flujo,

De trabajo,

En el que,

Le dices,

Primero búscame,

Por ejemplo,

Menús,

En internet,

Una vez,

Me hayas encontrado,

Los menús,

El siguiente paso,

Es buscar,

Los ingredientes,

De ese menú,

El siguiente paso,

Es crear,

Una lista de compras,

Para,

Esos ingredientes,

Y el tercer paso,

Es generarte,

La receta,

Y un listado,

Completo,

De todas las,

De todas las,

De todos los ingredientes,

Para crearte,

La lista de la compra,

Eso sería,

Un flujo completo,

Bueno pues eso,

Lo puedes hacer,

Con un skill,

Un skill,

Que te guíe,

A través de todos,

Esos pasos,

Para llegar al final,

Como te conté,

En el episodio anterior,

Simplemente,

Y por recordarlo,

Tú vas a tener,

En el skill,

Una pequeña parte,

Que es lo mínimo,

Que es lo que,

Se carga,

Tú vas a cargar,

Todos los skills,

Y es lo que,

Le dice,

A la gente,

Qué cosas,

Puede hacer,

Y a partir de ahí,

Ya tienes todo el proceso,

Esto como te digo,

Ya lo conté,

En un episodio anterior,

Con lo cual,

Tampoco quiero,

Ahondar sobre esto,

Qué ventaja,

Tienen los skills,

Bueno pues,

Un poco,

Por redondear la cosa,

Tienes un ahorro,

De tokens,

Porque no tienes,

O no necesitas,

Tener todo el,

Conocimiento cargado,

Por completo,

Es completamente portable,

Porque lo puedes llevar,

De un proyecto,

A otro,

De un agente,

A otro,

Existen varias,

Versiones git,

Junto con el código,

Y el agente,

De la,

Selecciona,

Los skills,

Conforme los va necesitando,

Y esto,

Pues un poco,

Bueno.

Es la visión global,

De cada una de las piezas,

Al final,

Tendríamos lo que es,

Una matriz de capacidades,

Donde tendríamos,

Distintas tecnologías,

Que es el,

El RAG,

El MCP,

Y los skills,

Y distintas,

Características,

Como es,

El rol principal,

O,

La,

Lo que hace,

Y el flujo principal,

En este sentido,

Por ejemplo,

El RAG,

El rol que hace,

Es el conocimiento,

El MCP,

La acción,

Y el skill,

El proceso,

El RAG,

Vendría a ser,

Como una memoria,

El MCP,

Las manos,

Y el skill,

El manual,

Y el flujo,

Principal,

De cada una,

De estas cosas,

Es,

Del RAG,

Vas a recuperar,

Información,

Hacia el modelo,

En el MCP,

Lo que vas a hacer,

Es ejecutar herramientas,

Desde el modelo,

Y con los skills,

Lo que vas a hacer,

Es guiar la lógica,

Alrededor del modelo,

Y al final de todo,

Tienes la orquestación,

Perfecta,

En el host,

En tu cliente,

Con tu cliente,

Con tu agente,

Mejor dicho,

Lo que tienes,

Es una herramienta,

Que lo que va a hacer,

Es no solamente,

Todo el conocimiento,

Que tiene,

En el entrenamiento,

Sino que vas,

Un paso más allá,

En el sentido,

De que tienes,

Una memoria dinámica,

Que como por ejemplo,

La memoria dinámica,

Que he creado yo,

A partir de mis documentos,

Va actualizándose,

Conforme van pasando,

Los episodios,

Y conforme voy generando,

Más información,

Tengo una serie,

De habilidades,

Para por ejemplo,

Decirle,

Cuando creo,

Un nuevo episodio,

Que me genere,

Una serie,

De acciones,

Y luego,

Tengo también,

Ese proceso,

Para decirle,

Cómo tiene que hacerlo,

Al final,

Necesitas,

Tener todo,

Este stack,

Para que todo,

Funcione correctamente,

Por un lado,

La consulta vectorial,

Por otro lado,

Las skills,

Para saber,

Qué es lo que tienes,

Que hacer,

Y por otro lado,

Los MCPs,

Para darle,

Las herramientas,

Cómo tiene que interactuar,

Y esto es un poco,

Lo que quería contarte,

En el episodio,

En este episodio,

Hablarte del futuro,

Agéntico,

Que un agente,

O mejor dicho,

En este tiempo,

Hemos pasado,

De un chat,

O sea,

Hemos pasado,

De estar hablando,

Con un chat GPT,

En un,

En un menú,

O mejor dicho,

En un combo,

En una caja,

En una caja de texto,

De escribirle ahí,

Cuatro cosillas,

Y el que él vaya,

Diciéndote,

Un chat,

Que es completamente,

Reactivo,

O que,

Responde a lo que tú,

Vas escribiéndole allí,

A un colaborador,

Activo,

En el sentido,

De que,

Por un lado,

Tienes,

La potencia del RAG,

Para tener,

Esa información,

A tiempo real,

La conectividad,

Para hacer,

Distintas acciones,

Utilizando,

Las distintas herramientas,

Que le ponemos,

A su disposición,

Y,

Las indicaciones,

Que le hemos dado,

Para que haga,

Cada uno,

De los pasos,

Esto es,

Lo que es,

El futuro,

Agéntico,

Esto es,

Lo que te va,

A permitir,

Hacer,

Todo tipo,

De cosas,

Así que,

En el próximo episodio,

Como te digo,

Empezaré por el RAG,

Te contaré,

Cómo he montado,

El RAG,

Cómo funciona,

Qué características,

Tiene,

Luego te hablaré,

Sobre los distintos,

MCPs,

Que he implementado,

Y,

Por último,

Pues ya,

Te introduciré,

A Hermes,

Y con Hermes,

Lo montaremos,

Todo,

Para que tengas,

El mismo tipo,

De asistente,

Que tengo yo,

Que actualmente,

Tengo un asistente,

Que me va diciendo,

Las cosas que tengo,

En mi lista,

De todo,

Para realizar,

Cuando hago,

Un episodio,

Él es capaz,

De generar,

La información,

Que yo necesito,

Para montarlo todo,

En fin,

Tenemos un asistente,

De verdad,

Que es capaz,

De hacer las cosas,

Por sí mismo,

Y nada más,

Esto es un poco,

Lo que quería contarte,

En este episodio,

Espero que te haya gustado,

Tanto como me ha gustado,

A mí,

Yo estoy realmente,

Apasionado con todo esto,

Y lo estoy disfrutando,

Muchísimo,

Siento este episodio,

Porque,

Te he dejado,

Con la miel en los labios,

En el sentido,

De que te he dado,

Una visión general,

A todo,

Pero no hemos materializado,

Nada,

Así que en el próximo episodio,

Materializaremos,

La primera parte,

Lo que es el RAG,

Te contaré exactamente,

Cómo lo puedes montar,

Lo dejaré disponible,

En el repositorio de GitHub,

Para que lo puedas hacer,

Y a continuación,

Como te digo,

Las otras herramientas,

Que también vas a poder,

Descargar,

Instalar,

Y probar,

Y nada más,

Como te digo,

Recordarte que,

Si puedes una valoración,

En iVoox,

En Apple Podcast,

En Spotify,

En YouTube,

En donde quieras,

Me viene fantástico,

Para dar a conocer,

Este proyecto,

Y que más gente,

Se una al mismo,

Recordarte que este es,

Un podcast,

De la red de podcast,

De sospechosos habituales,

Donde puedes encontrar,

El mejor elenco,

De podcast,

En español,

Tal y como dice,

Nuestro,

Abogado,

De cabecera,

Y poco más,

Que decirte,

Bueno,

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 el futuro,

Agéntico,

Mejor que mejor,

Un saludo,

Y nos escuchamos,

El próximo lunes,

Hasta luego,

Adiós,

Adiós,

Un saludo,

Un saludo.

Deja una respuesta