Configuración de IA para principiantes: Tu propio sistema en 4 pasos

IRC-Mania Die Seite rund um Sicherheit und Programmierung

Internet, Sicherheit , Internet Relay Chat

Gesponsert

Qué cubre este artículo

Un proyecto limpio de iniciación en IA que en cuatro pasos no solo te da un sistema funcional, sino que te enseña cómo se conectan las partes:

1. Archivo de texto Brandkit: Todo lo que la IA necesita saber sobre ti, tu marca o empresa.
2. Second Brain: Obsidian como base de conocimiento que crece a partir del Brandkit.
3. LiteLLM: La pasarela que te muestra cómo se relacionan modelos, APIs y costos.
4. Agente Hermes: El asistente activo que utiliza los tres componentes anteriores.

Al final tendrás no un juguete de demostración, sino una infraestructura que entiendes y puedes extender.

Por qué este setup te enseña a entender IA

La mayoría de los principiantes comienzan con «alguna aplicación de chat» y no aprenden nada sobre las capas subyacentes. Este proyecto te muestra los cuatro niveles que tiene todo sistema serio de IA: Contexto (Brandkit), Conocimiento (Second Brain), Acceso a modelos (LiteLLM) y Ejecución (Agent). Quien una vez ha conectado estas capas por sí mismo, después entiende cualquier herramienta de IA que encuentre.

Paso 1: El archivo de texto Brandkit

El Brandkit es un archivo Markdown individual que le dice a la IA para quién trabaja. Más adelante se convierte simultáneamente en prompt del sistema, fuente RAG y contexto del agente. Crea brandkit.md:

# Brandkit: [Tu nombre / empresa]

## Quién soy / quiénes somos
Freelancer de desarrollo web, desde 2019, Bochum.
Negocio de una sola persona, clientes: pequeños talleres y consultorios locales.

## Tono y estilo
Forma directa, sin frases vacías. Técnicamente preciso, pero comprensible
para no técnicos. Sin emojis en textos para clientes.

## Qué ofrezco
- Sitios web con Astro (desde 2.500 €)
- Fundamentos SEO y mantenimiento (150 €/mes)
- E-mail: info@example.de

## Qué NO hago
Sin tiendas online, sin desarrollo de apps, sin descuentos inferiores al 10%.

## Público objetivo
Propietarios de pequeños negocios, 40-65 años, poco conocimiento técnico.

## Frases recurrentes
"Precio fijo sin sorpresas", "funciona localmente en tu empresa"

Por qué esto es poderoso: Cada pregunta a la IA recibe este archivo como contexto. La IA escribe entonces textos de presupuesto en tu tono, conoce tus precios, dice “no” a trabajos que no haces. Un archivo de texto, cero herramientas, el palanca de calidad más importante que existe.

Regla: Actualízalo apenas algo cambie. Es viviente.

Paso 2: Tu Second Brain con Obsidian

El Brandkit es el inicio. Ahora agregamos todo lo que la IA debe saber: proyectos, notas de clientes, fragmentos de código, aprendizajes, briefings. Obsidian es el estándar para esto (gratuito, archivos Markdown locales, sin nube necesaria). Alternativamente funciona cualquier otro sistema de notas que genere archivos reales (Logseq, Joplin, una carpeta simple).

mi-brain/
├── brandkit.md          ← del paso 1
├── clientes/
│   ├── carpintero-mueller.md
│   └── dentista-dr-weber.md
├── proyectos/
│   ├── relanzamiento-web.md
│   └── checklist-seo.md
├── snippets/
│   ├── plantilla-presupuesto.md
│   └── tratamiento-objeciones.md
└── aprendizajes/
    └── que-funciono.md

El truco: Como todo son archivos Markdown, la IA puede leer la carpeta directamente. Más adelante se convertirá en una base de conocimiento RAG real (mira Documentenbot-Projekt y Grundlagen RAG). Por ahora es suficiente referenciar archivos en el prompt.

Paso 3: Instalar LiteLLM para entender cómo conecta todo

Ahora la parte de infraestructura. LiteLLM es una pasarela: proporciona un único endpoint compatible con OpenAI frente a todos los modelos, locales (Ollama) como en la nube (OpenAI, Anthropic, Google). Un endpoint, todos los modelos, y ves exactamente qué es una solicitud, qué cuesta un token, cómo se ve un cambio de modelo.

# Instalar
pip install litellm[proxy]

# O vía Docker
docker run -p 4000:4000 ghcr.io/berriai/litellm:main-latest

litellm-config.yaml:

model_list:
  - model_name: lokal-qwen
    litellm_params:
      model: ollama/qwen3.8:27b
      api_base: http://localhost:11434
  - model_name: claude-sonnet
    litellm_params:
      model: anthropic/claude-sonnet-4-5
      api_key: os.environ/ANTHROPIC_API_KEY
  - model_name: gpt-5-mini
    litellm_params:
      model: openai/gpt-5-mini
      api_key: os.environ/OPENAI_API_KEY

general_settings:
  master_key: sk-tu-clave

litellm --config litellm-config.yaml --port 4000

# Prueba: la misma llamada, dos modelos
curl http://localhost:4000/chat/completions \
  -H "Authorization: Bearer sk-tu-clave" \
  -d '{"model": "lokal-qwen", "messages": [{"role": "user", "content": "Hola"}]}'

Lo que aprendes aquí: El agente nunca pregunta directamente a “OpenAI” u “Ollama”, siempre a localhost:4000 con un nombre de modelo. Cambias el modelo, cambias solo una cadena. Registro de costos, límites de velocidad y fallbacks (fallbacks: [{"lokal-qwen": ["claude-sonnet"]}]) vienen gratis. Esta es exactamente la arquitectura que usan las empresas internamente, solo en pequeño.

Paso 4: Hermes como asistente activo que lo utiliza todo

Ahora la capa de ejecución. Hermes Agent es un asistente de IA persistente con memoria que corre continuamente y ejecuta tareas. Se conecta así:

Hermes Agent
  ├── System-Prompt/Contexto  → brandkit.md (Paso 1)
  ├── Base de conocimiento    → mi-brain/ (Paso 2, legible/RAG)
  └── Endpoint de modelo      → LiteLLM :4000 (Paso 3)

En la configuración de Hermes estableces el endpoint de LiteLLM como una API compatible con OpenAI:

llm:
  base_url: http://localhost:4000
  api_key: sk-tu-clave
  model: lokal-qwen
context_files:
  - /home/tu/mi-brain/brandkit.md
memory_dir: /home/tu/mi-brain/

Aquí es donde sucede el verdadero “entender IA”: le pides a Hermes “escribe una propuesta para el trabajo de Müller”, toma el Brandkit (tono, precios), lee clientes/carpintero-mueller.md (contexto), lo envía vía LiteLLM a tu modelo local, y ves exactamente en el log de LiteLLM la solicitud, los tokens, los costos. Cada capa es visible e intercambiable.

Qué entiendes ahora (y por dónde seguir)

Después de este setup puedes responder lo que la mayoría de usuarios de IA no pueden:

• Qué es un prompt del sistema/archivo de contexto y por qué decide todo (Brandkit)
• Qué es una base de conocimiento/fuente RAG (Second Brain)
• Qué hace una pasarela LLM y cómo se ve una llamada API (LiteLLM)
• Qué es un agente: un bucle de contexto + modelo + herramientas (Hermes)

Pasos lógicos siguientes: conectar la carpeta del brain como una verdadera base de datos RAG, configurar fallbacks de LiteLLM y límites de costos, conectar Hermes con automatizaciones n8n (por ejemplo, “nuevo correo electrónico → agente redacta respuesta con tono del Brandkit”), o un modelo local para la parte de protección de datos.

Enlaces relacionados

• IRC-Coding.de: Tutoriales de programación.
• Hermes Agent: El agente en detalle.
• Ollama: Modelos locales detrás de LiteLLM.
• Fundamentos RAG: Del brain a la base de conocimiento.
• Documentenbot para empresas: El proyecto avanzado.
• Flujos n8n: Automatizar el agente.

Puntos clave:

• El setup para principiantes tiene 4 capas: Brandkit (contexto) → Second Brain de Obsidian (conocimiento) → LiteLLM (pasarela de modelos) → Hermes (ejecución).
• El Brandkit es un archivo Markdown con todo lo que la IA necesita saber sobre ti o tu empresa: tono, oferta, precios, límites.
• Obsidian genera archivos Markdown locales que la IA puede leer directamente, la base posterior de RAG.
• LiteLLM te muestra la infraestructura: un endpoint compatible con OpenAI para modelos locales y en la nube, con registro y control de costos.
• Hermes Agent conecta todo: Brandkit como prompt del sistema, brain como memoria, LiteLLM como fuente de modelo. Así entiendes cómo funciona cualquier sistema de IA.

Preguntas frecuentes

Fuentes y lecturas relacionadas

• LiteLLM (GitHub), Obsidian
• Hermes Agent, Ollama
• IRC-Coding.de: Tutoriales de programación.

Premium VPS Hosting

Schnelle und sichere VPS Server

Gesponsert