Ollama: modelos LLM en local y en la nube

• Desarrolladores y técnicos que quieren usar LLMs en su máquina por privacidad, coste o trabajo sin conexión, o combinar uso local con la nube.
• Quienes ya trabajan con OpenAI, LangChain u otros proveedores y buscan una alternativa o complemento local.
• Profesionales que quieren experimentar con modelos abiertos (Llama, Gemma, Qwen, Mistral, etc.) y con capacidades como razonamiento, herramientas y visión.

Introducción a Ollama

Visión general de la plataforma: qué resuelve, ventajas de ejecutar modelos en local frente a la nube y cuándo compensa usar Ollama Cloud. Panorama de modelos open source (Qwen, Llama, Gemma, Mistral y otros) y criterios para elegir. Configuración de cuenta y autenticación en la nube, uso de modelos remotos y opciones para entornos que requieren solo ejecución local. Arquitectura del sistema: servidor, registro de modelos, CLI y API.

Instalación, servidor y aplicación de escritorio

Instalación en Windows, macOS y Linux y comprobación del entorno. Puesta en marcha del servidor y despliegue en Docker cuando sea necesario. Uso de la aplicación de escritorio: interfaz de chat, historial de conversaciones y soporte para archivos e imágenes. Requisitos de hardware, gestión del contexto y resolución de problemas frecuentes.

Gestión de modelos con la CLI

Descarga y listado de modelos, variantes y etiquetas. Ejecución interactiva en terminal y parámetros básicos. Control de procesos en ejecución y mantenimiento del catálogo local (liberar memoria, eliminar o duplicar modelos).

API REST

Uso de la API para generación de texto y conversación, con y sin streaming, y parámetros principales. Generación de embeddings para RAG y búsqueda semántica. Uso de Ollama como backend compatible con la API de OpenAI desde clientes y librerías existentes, en local o con API key en la nube.

Capacidades avanzadas de los modelos

Modelos con razonamiento extendido (thinking) y cómo aprovecharlos. Llamadas a herramientas y análisis de imágenes (visión): qué modelos lo soportan y casos de uso. Obtención de respuestas en formato JSON acotado por schema. Búsqueda web como herramienta para información actual. Modelos de embeddings: elección, dimensiones y buenas prácticas para RAG.

Modelfile y modelos personalizados

Sintaxis del Modelfile: base, parámetros, prompt de sistema, plantillas y adaptadores. Creación de modelos a medida y buenas prácticas. Importación de modelos en formato GGUF, Safetensors y adaptadores desde otros entornos, con opciones de cuantización.

Integración con aplicaciones e IDEs

Uso del SDK oficial de Ollama en Python: chat, generate, embeddings y streaming desde código. Integración con LangChain: chat, embeddings, cadenas y patrones RAG. Configuración y lanzamiento de Claude Code con Ollama como backend, incluyendo modelos en la nube. Test final del curso que integra los conceptos vistos.

Al completar este roadmap serás capaz de:

• Instalar y poner en marcha Ollama en tu sistema y utilizar la aplicación de escritorio con soltura.
• Configurar y usar Ollama Cloud cuando necesites modelos más grandes o no dispongas de hardware local.
• Gestionar el ciclo de vida de los modelos desde la línea de comandos (descarga, ejecución, liberación de recursos).
• Consumir la API para generación, chat y embeddings desde tu código o desde herramientas externas.
• Aprovechar las capacidades avanzadas (razonamiento, herramientas, visión, salidas estructuradas, búsqueda web y embeddings) según el caso de uso.
• Conectar Ollama como backend compatible con OpenAI desde clientes y frameworks habituales.
• Definir modelos personalizados con Modelfile e importar modelos en GGUF o Safetensors.
• Integrar Ollama con Claude Code, LangChain y el SDK oficial en Python; y superar el test final del curso.
• Completar todas las evaluaciones del itinerario: un examen o práctica por módulo más el test global integrador.