Cargando la bóveda…
Cargando la bóveda…
5 repositorios gratis de GitHub que cubren lo mismo que un bootcamp: modelo local con Ollama, framework con LangChain, RAG con LlamaIndex, agentes con CrewAI y portafolio con Awesome LLM Apps. Ruta de 5 semanas para llegar a tu primer agente real.
Los bootcamps de "AI Engineer" cuestan $1500-3000. Cubren 4-8 semanas de:
Los 5 repos de abajo, gratis, cubren exactamente lo mismo. Si tenés disciplina para seguirlos, ahorrás $2000 y aprendés igual o mejor.
Lo que no te da el repo: el grupo de pares, el feedback de instructores, la presión de deadlines. Si esas cosas son lo que necesitás para terminar, pagá el bootcamp. Si tenés disciplina, los repos te llevan.
Correr modelos LLM en tu compu, sin API externa. Gratis, sin pagar tokens, sin enviar data a nadie.
Modelos disponibles via Ollama:
# Mac / Linux
curl -fsSL https://ollama.com/install.sh | sh
# Bajar modelo
ollama pull llama3.2
# Correr
ollama run llama3.2En 10 minutos tenés modelo corriendo en tu compu.
LangChain es el framework más usado para construir apps con LLMs. Provee abstracciones para:
Si vas a hacer apps serias, no las armás desde cero — usás un framework. LangChain es el standard de facto.
from langchain_anthropic import ChatAnthropic
from langchain_core.prompts import ChatPromptTemplate
llm = ChatAnthropic(model="claude-sonnet-4-6")
prompt = ChatPromptTemplate.from_messages([
("system", "Sos asistente útil"),
("user", "{question}")
])
chain = prompt | llm
response = chain.invoke({"question": "¿Capital de Francia?"})
print(response.content)3 líneas y tenés app funcionando.
RAG = Retrieval Augmented Generation. Es darle al LLM acceso a tus documentos para que responda con base en ellos.
Sin RAG: Claude sabe lo del internet hasta su entrenamiento. Con RAG: Claude sabe tu información (tus PDFs, tu DB de productos, tus docs internos).
LlamaIndex es el framework más popular para esto.
from llama_index.core import VectorStoreIndex, SimpleDirectoryReader
# Cargá tus docs
docs = SimpleDirectoryReader("./mis_docs").load_data()
# Creá el índice
index = VectorStoreIndex.from_documents(docs)
# Consultá
query_engine = index.as_query_engine()
response = query_engine.query("¿Qué dice el manual sobre devoluciones?")
print(response)Cargás tus PDFs en una carpeta. LlamaIndex los indexa. Consultás en lenguaje natural.
Book-to-Skill es más simple (skills de Claude Code). LlamaIndex es más potente (stack completo de RAG con vector stores, retrievers, etc.).
Para uso solo: Book-to-Skill alcanza. Para producto multi-usuario: LlamaIndex.
CrewAI te deja armar equipos de agentes, cada uno con su rol, sus tools, su objetivo. Coordinan entre sí.
Es A2A (Agent-to-Agent) hecho framework.
from crewai import Agent, Task, Crew
# Definí los agentes
researcher = Agent(
role="Investigador",
goal="Investigar tema en profundidad",
backstory="Sos analista senior en tecnología"
)
writer = Agent(
role="Escritor",
goal="Escribir artículo claro",
backstory="Sos editor técnico"
)
# Definí las tareas
research_task = Task(
description="Investigá las últimas noticias de IA",
agent=researcher
)
writing_task = Task(
description="Escribí artículo basado en la investigación",
agent=writer
)
# Armá el equipo
crew = Crew(
agents=[researcher, writer],
tasks=[research_task, writing_task]
)
result = crew.kickoff()
print(result)Dos agentes con roles definidos trabajan en secuencia.
100+ proyectos open-source de IA en 13 categorías. No tenés que inventar qué construir — clonás uno, lo entendés, lo adaptás.
Cubierto en awesome-llm-apps.
Después de las 4 semanas anteriores, clonás 2-3 proyectos del repo, los adaptás a tu nicho, y subís a GitHub:
mi-github/
├── proyecto-1-customer-support-rag/
│ └── (basado en repo X, adaptado a tu negocio)
├── proyecto-2-multi-agent-analyst/
└── proyecto-3-voice-assistant/Estos 3 proyectos en GitHub son tu portafolio para entrevistas o freelance.
Deliverable: app de terminal que chatea con Llama local
Deliverable: chatbot con memoria + 1 tool
Deliverable: app que responde sobre TUS documentos
Deliverable: sistema multi-agente que produce algo útil
Deliverable: portafolio público con 3 proyectos AI engineer
Honestidad sobre los gaps vs bootcamp:
Si autoaprendés bien, los repos te alcanzan. Si necesitás estructura externa, considera el bootcamp.
5 semanas si dedicás 10-15 horas / semana. Si solo podés 5h/semana, son ~3 meses.
Comparado con un bootcamp full-time (40h/semana × 2-3 meses), el path autoaprendido toma más calendario pero menos horas totales porque te enfocás en lo importante.
Cuando completaste las 5 semanas, deberías saber:
A partir de ahí, las direcciones a profundizar son: