Sistemas de IA: Asistentes autoalojados, RAG e infraestructura local

Índice

La mayoría de las configuraciones de IA locales comienzan con un modelo y un entorno de ejecución (runtime).

Descargas un modelo cuantizado, lo lanzas a través de Ollama u otro entorno de ejecución y comienzas a generar indicaciones (prompts). Para experimentar, esto es más que suficiente. Pero una vez que vas más allá de la curiosidad —una vez que te preocupas por la memoria, la calidad de la recuperación, las decisiones de enrutamiento o la conciencia de costos—, la simplicidad comienza a mostrar sus límites.

Este clúster explora un enfoque diferente: tratar al asistente de IA no como una sola invocación de modelo, sino como un sistema coordinado.

Esa distinción puede parecer sutil al principio, pero cambia por completo la forma en que piensas sobre la IA local.

Orquestación de sistemas de IA con LLMs locales, RAG y capas de memoria

¿Qué es un sistema de IA?

Un sistema de IA es más que un modelo. Es una capa de orquestación que conecta inferencia, recuperación, memoria y ejecución para crear algo que se comporta como un asistente coherente.

Ejecutar un modelo localmente es trabajo de infraestructura. Diseñar un asistente en torno a ese modelo es trabajo de sistemas.

Si has explorado nuestras guías más amplias sobre:

ya sabes que la inferencia es solo una capa de la pila tecnológica.

El clúster de Sistemas de IA se sitúa sobre esas capas. No las reemplaza; las combina.

Para un mapa transversal de cómo encajan esas capas en los asistentes de producción —LLM, memoria, herramientas, enrutamiento y observabilidad, con OpenClaw y Hermes como sistemas de referencia—, consulta Arquitectura de Asistentes de IA: LLM, Memoria, Herramientas, Enrutamiento, Observabilidad.

Una vez que la arquitectura del asistente es sólida, el siguiente paso es hacerlo proactivo. Agentes de Sondeo en Asistentes de IA: 11 Patrones de Implementación cubre cómo los trabajadores de sondeo en segundo plano, la ejecución basada en colas, los flujos de trabajo duraderos y los evaluadores semánticos de LLM convierten un asistente reactivo en uno que vigila, decide y actúa por su cuenta.

Cuando un solo asistente no es suficiente y varios agentes necesitan coordinarse, la elección del patrón de coordinación lo determina todo: latencia, tolerancia a fallos, costo y depurabilidad. Patrones de Orquestación Multi-Agente: Una Guía Práctica cubre los seis patrones canónicos —orquestador-trabajador, pipeline secuencial, fan-out, jerárquico, enjambre y malla—, con modos de falla específicos y un marco de decisión para elegir la arquitectura adecuada.

OpenClaw: Un sistema de asistente de IA autoalojado

OpenClaw es un asistente de IA de código abierto y autoalojado, diseñado para operar a través de plataformas de mensajería mientras se ejecuta en infraestructura local.

En un nivel práctico, él:

  • Utiliza entornos de ejecución de LLM locales como Ollama o vLLM
  • Integra recuperación sobre documentos indexados
  • Mantiene memoria más allá de una sola sesión
  • Ejecuta herramientas y tareas de automatización
  • Puede ser instrumentado y observado
  • Opera dentro de las limitaciones del hardware

No es solo un envoltorio alrededor de un modelo. Es una capa de orquestación que conecta inferencia, recuperación, memoria y ejecución para crear algo que se comporta como un asistente coherente.

Para comenzar y arquitectura:

Contexto y análisis:

Extender y configurar OpenClaw:

Los plugins extienden el entorno de ejecución de OpenClaw, añadiendo backend de memoria, proveedores de modelos, canales de comunicación, herramientas web y observabilidad. Las habilidades (skills) extienden el comportamiento del agente, definiendo cómo y cuándo el agente usa esas capacidades. La configuración de producción significa combinar ambos, moldeados en torno a quién está usando realmente el sistema.

Hermes: Un agente persistente con habilidades y encapsulación de herramientas

Hermes Agent es un asistente autoalojado y agnóstico al modelo, enfocado en la operación persistente: puede ejecutarse como un proceso de larga duración, ejecutar herramientas a través de backends configurables y mejorar los flujos de trabajo con el tiempo mediante memoria y habilidades reutilizables.

En un nivel práctico, Hermes es útil cuando deseas:

  • Un asistente centrado en la terminal que también puede hacer de puente con aplicaciones de mensajería
  • Flexibilidad de proveedor a través de puntos de acceso compatibles con OpenAI y cambio de modelos
  • Limites de ejecución de herramientas mediante backends locales y encapsulados
  • Operaciones del segundo día con diagnósticos, registros e higiene de configuración

Los perfiles de Hermes son entornos totalmente aislados, cada uno con su propia configuración, secretos, memorias, sesiones, habilidades y estado, lo que convierte a los perfiles en la verdadera unidad de propiedad de producción, no la habilidad individual.

Conocimiento y memoria persistentes

Algunos problemas no se resuelven solo con una ventana de contexto más grande; necesitan conocimiento persistente (grafos, pipelines de ingesta) y plugins de memoria de agente (Honcho, Mem0, Hindsight y backends similares) conectados a asistentes como Hermes o OpenClaw.

MCP: Servidores del Protocolo de Contexto de Modelo

El Protocolo de Contexto de Modelo (MCP) es un estándar abierto introducido por Anthropic para conectar modelos de lenguaje de IA con fuentes de datos externas, herramientas y sistemas. Resuelve el problema de integración N×M proporcionando una interfaz universal; piénsalo como un puerto USB-C para aplicaciones de IA. Construir servidores MCP permite extender los asistentes de IA con integraciones personalizadas para archivos, bases de datos, API y herramientas invocables, utilizando un simple protocolo basado en JSON-RPC sobre stdio o HTTP.

  • Habilidades de Agente vs Servidores MCP: Marco de Decisión — marco de decisión práctico para cuándo usar habilidades, cuándo construir servidores MCP y cómo el patrón de servidor delgado combina ambos
  • Servidor MCP en Go — arquitectura del protocolo, estructura de mensajes JSON-RPC, negociación de capacidades, SDK oficial de Go y un tutorial paso a paso para construir servidores MCP en Go
  • Construcción de servidores MCP en Python — guía de implementación práctica en Python que cubre servidores MCP de búsqueda web y extracción de datos, transportes stdio y SSE, e integración con Claude Desktop

A2A: Protocolo de Agente a Agente

El Protocolo Agent2Agent (A2A) es un estándar abierto para la comunicación entre sistemas de agentes de IA desplegados de manera independiente. Donde MCP conecta un agente con herramientas, A2A conecta agentes con otros agentes, permitiéndoles descubrirse a través de Tarjetas de Agente, intercambiar tareas y mensajes, transmitir progreso y devolver artefactos tipados. A2A está diseñado para sistemas donde los agentes son propiedad de equipos diferentes, están construidos con diferentes frameworks o se despliegan como servicios separados que necesitan interoperar.

Qué hace diferentes a los sistemas de IA

Varias características hacen que los sistemas de IA valgan la pena un examen más cercano.

El enrutamiento de modelos como elección de diseño

La mayoría de las configuraciones locales se basan en un solo modelo. Los sistemas de IA permiten seleccionar modelos intencionalmente.

Eso introduce preguntas:

  • ¿Deben las solicitudes pequeñas usar modelos más pequeños?
  • ¿Cuándo el razonamiento justifica una ventana de contexto más grande?
  • ¿Cuál es la diferencia de costo por cada 1,000 tokens?

Estas preguntas se conectan directamente con las compensaciones de rendimiento discutidas en la guía de rendimiento de LLM y las decisiones de infraestructura descritas en la guía de alojamiento de LLM.

Los sistemas de IA ponen de manifiesto esas decisiones en lugar de ocultarlas.

La recuperación se trata como un componente evolutivo

Los sistemas de IA integran la recuperación de documentos, pero no como un paso simplista de “incrustar y buscar”.

Reconocen que:

  • El tamaño del fragmento (chunk) afecta la recuperación y el costo
  • La búsqueda híbrida (BM25 + vectorial) puede superar a la recuperación densa pura
  • La reclasificación (reranking) mejora la relevancia a costa de la latencia
  • La estrategia de indexación impacta el consumo de memoria

Estos temas se alinean con las consideraciones arquitectónicas más profundas discutidas en el tutorial de RAG.

La diferencia es que los sistemas de IA incrustan la recuperación en un asistente vivo en lugar de presentarla como una demostración aislada. La Investigación Profunda lleva esa idea al extremo: en lugar de una pasada de recuperación, el sistema planifica, ramifica, re-verifica e itera hasta que la evidencia sea suficiente. Sistemas de Investigación Profunda autoalojados: 12 herramientas comparadas recorre doce sistemas autoalojados —árboles de investigación recursivos, diseños de planificador más subagentes y bucles de brechas de evidencia entre ellos— y cómo cada uno convierte la recuperación en un bucle de investigación adaptativo.

La memoria como infraestructura

Los LLM sin estado (stateless) olvidan todo entre sesiones.

Los sistemas de IA introducen capas de memoria persistente. Eso plantea inmediatamente preguntas de diseño:

  • ¿Qué debería almacenarse a largo plazo?
  • ¿Cuándo se debe resumir el contexto?
  • ¿Cómo se evita la explosión de tokens?
  • ¿Cómo se indexa la memoria eficientemente?

Esas preguntas se intersectan directamente con las consideraciones de la capa de datos de la guía de infraestructura de datos. Para Hermes Agent específicamente —memoria acotada de dos archivos, caché de prefijo, plugins externos—, comience con Sistema de memoria de Hermes Agent y la comparación transversal Comparación de proveedores de memoria para agentes. La captura automática y la reflexión también pueden convertir la propia inferencia de un modelo en “evidencia” futura —vea Bucles de memoria autorreforzantes en agentes de IA para el modo de falla y Mnemosyne para Hermes Agent para una implementación local y conservadora. El Centro de memoria de Sistemas de IA lista las guías relacionadas de Cognee y de la capa de conocimiento.

La memoria deja de ser una función y se convierte en un problema de almacenamiento.

La observabilidad no es opcional

La mayoría de los experimentos de IA locales se detienen en “responde”.

Los sistemas de IA hacen posible observar:

  • Uso de tokens
  • Latencia
  • Utilización del hardware
  • Patrones de rendimiento

Esto se conecta naturalmente con los principios de monitoreo descritos en la guía de observabilidad.

Si la IA se ejecuta en hardware, debe ser medible como cualquier otra carga de trabajo.

Cómo se siente usarlo

Desde fuera, un sistema de IA puede parecer una interfaz de chat.

Bajo la superficie, ocurren más cosas.

Si le pides que resuma un informe técnico almacenado localmente:

  1. Recupera segmentos de documento relevantes.
  2. Selecciona un modelo apropiado.
  3. Genera una respuesta.
  4. Registra el uso de tokens y la latencia.
  5. Actualiza la memoria persistente si es necesario.

La interacción visible permanece simple. El comportamiento del sistema está por capas.

Ese comportamiento por capas es lo que diferencia a un sistema de una demostración.

Dónde encajan los sistemas de IA en la pila

El clúster de Sistemas de IA se sitúa en la intersección de varias capas de infraestructura:

  • Alojamiento de LLM: La capa de ejecución donde se ejecutan los modelos (Ollama, vLLM, llama.cpp)
  • RAG: La capa de recuperación que proporciona contexto y fundamento
  • Rendimiento: La capa de medición que rastrea la latencia y el rendimiento
  • Observabilidad: La capa de monitoreo que proporciona métricas y seguimiento de costos
  • Infraestructura de Datos: La capa de almacenamiento que maneja la memoria y la indexación

Entender esa distinción es útil. Ejecutarlo tú mismo hace que la diferencia sea más clara.

Para una instalación local mínima con OpenClaw, consulte la [guía de inicio rápido de OpenClaw](https://www.glukhov.org/es/ai-systems/openclaw/quickstart/, que recorre una configuración basada en Docker utilizando un modelo local de Ollama o una configuración de Claude en la nube.

Si tu configuración depende de Claude, este cambio de política para herramientas de agentes aclara por qué la facturación por API ahora es obligatoria para los flujos de trabajo de OpenClaw de terceros.

Recursos relacionados

A2A: Protocolo de Agente a Agente:

Servidores MCP:

Comparaciones:

Guías de asistentes de IA:

Capas de infraestructura:

Suscribirse

Recibe nuevas publicaciones sobre sistemas, infraestructura e ingeniería de IA.