LM Studio

• Desarrolladores Python que quieren dominar LM Studio como plataforma completa para LLMs locales.
• Ingenieros de IA y ML que necesitan ejecutar modelos en local para desarrollo, pruebas y producción sin costes de API.
• Usuarios avanzados de LLMs que quieren pasar de usar la interfaz de chat a programar contra la API y el SDK.
• Arquitectos de software que necesitan evaluar y disenar soluciones con inferencia local a nivel empresarial.
• Equipos de desarrollo que buscan integrar LLMs locales en sus pipelines de IA con LangChain, Claude Code o Cursor.
• Administradores de sistemas que necesitan desplegar inferencia local con llmster daemon en servidores headless.

Introducción a LM Studio: ejecución local de LLMs, comparativa con Ollama, instalación multiplataforma y primer modelo cargado. Modelos GGUF y MLX: formatos, niveles de cuantización, descubrimiento en Hugging Face y familias Llama, Qwen, DeepSeek, Mistral, Gemma y Phi. Interfaz de chat: system prompts, presets, parámetros de generación, split view y exportación. GPU y rendimiento: aceleración NVIDIA CUDA, Apple Metal, AMD ROCm, multi GPU, speculative decoding y gestión de memoria VRAM. Servidor API local: endpoints compatibles con OpenAI y Anthropic, API nativa, Permissión Keys y seguridad. SDK de Python: paquete lmstudio con patrones interactivo, síncrono y asíncrono, chat, streaming y gestión de modelos. Structured output y tool use: JSON schema con Pydantic, function calling y agentes autonomos con .act() multi paso. Embeddings, RAG y visión: vectores locales, chat con documentos y modelos multimodales VLM. CLI lms: gestión de modelos, servidor y daemon desde terminal. MCP e integraciones: servidores MCP, LangChain, Continue, Cursor, Claude Code y otros frameworks. Despliegue y producción: llmster daemon headless, JIT loading, TTL, continuous batching y LM Link. Proyecto integrador: asistente IA local con modelo, embeddings, RAG con LanceDB o Chroma y cliente chat en Python. Evaluaciones por módulo y test global del curso.

Este curso completo de LM Studio cubre la herramienta de principio a fin: desde la instalación y la descarga de modelos hasta el despliegue headless en producción, pasando por la interfaz de chat, la aceleración GPU, el servidor API, el SDK de Python, function calling, agentes autonomos, RAG, modelos de visión, MCP e integraciones con frameworks del ecosistema IA. Esta disenado para proporcionar un dominio profesional de LM Studio como plataforma completa para ejecutar y programar contra LLMs locales.

El itinerario es progresivo: parte de los fundamentos y la instalación, avanza por los modelos y la interfaz de chat, incorpora la configuración de GPU y rendimiento, recorre el servidor API con compatibilidad OpenAI y Anthropic, profundiza en el SDK de Python con structured output y agentes, cubre embeddings, RAG y visión, y culmina con la CLI, MCP, integraciones y despliegue en producción.

Al completar este roadmap, seras capaz de:

• Gestionar modelos locales: descargar, configurar y ejecutar modelos GGUF y MLX eligiendo la cuantización óptima para tu hardware.
• Optimizar el rendimiento: configurar aceleración GPU, multi-GPU, speculative decoding y gestión de memoria VRAM.
• Servir modelos via API: exponer LLMs locales como servidor compatible con OpenAI y Anthropic para cualquier cliente.
• Desarrollar con el SDK de Python: generar texto, gestionar modelos, crear conversaciones multi-turno y usar streaming.
• Obtener datos estructurados: usar structured output con JSON schema y Pydantic para respuestas validadas.
• Construir agentes autonomos: usar function calling y .act() para crear agentes que ejecuten herramientas iterativamente.
• Implementar RAG y visión: chatear con documentos y procesar imagenes con modelos de visión multimodal.
• Gestionar desde terminal: usar la CLI lms para todas las operaciones de modelos y servidor.
• Integrar con el ecosistema IA: conectar LM Studio con LangChain, Claude Code, Cursor, MCP y otros frameworks.
• Desplegar en producción: usar llmster daemon para inferencia headless, configurar TTL y continuous batching.