IA Y AUTOMATIZACIÓN PRÁCTICA
Ollama en Ubuntu: modelo pequeño y conocimiento de contexto
Instala Ollama, ejecuta qwen2.5:3b, añade notas fechadas y prueba respuestas antes de ampliar con recuperación de documentos.
Instala Ollama, ejecuta qwen2.5:3b, añade notas fechadas y prueba respuestas antes de ampliar con recuperación de documentos.
Paso 1: Empieza con un modelo local pequeño
Ollama permite ejecutar un modelo en tu ordenador. Usaremos qwen2.5:3b, un modelo de texto pequeño y conocido, sin afirmar que sea el más nuevo o el mejor. Sirve para experimentar con notas breves antes de invertir en más hardware.
Necesitas espacio para descargarlo y RAM libre para pesos, contexto y sistema operativo. La GPU puede ayudar, pero mide tiempos reales con contexto corto. Este ejemplo solo procesa texto: no interpreta imágenes ni maneja el escritorio.
Comprueba la ficha oficial y licencia para tu uso.
Paso 2: Instala Ollama en Ubuntu
Descarga, revisa y ejecuta el instalador oficial. Comprueba versión y servicio. Si no hay servidor en segundo plano, ejecuta ollama serve en otra terminal; no abras otro servidor si el puerto ya está ocupado.
El servicio local normalmente usa el puerto 11434. Mantén localhost para esta práctica. Consulta la guía Linux de Ollama para servicio y GPU.
Abre el ejemplo completo para copiar — example-01.txt
# Open full code above.Paso 3: Añade una nota de conocimiento
El contexto es información que proporcionas al responder; no reentrena los pesos. Crea notes.txt con una nota pequeña y fechada: ‘Política del laboratorio, 2026-10-09: copias en ./backups; pruebas desechables en ./scratch; no borrar originales’. Son datos del laboratorio ficticio de este tutorial.
El script consulta el chat local y muestra la respuesta. Separa notas e instrucciones y pide reconocer lo desconocido, aunque debes probar el comportamiento.
Guarda notes.txt y ask.py juntos y ejecuta python3 ask.py. Consulta la guía de API local.
Abre el ejemplo completo para copiar — ask.py
import json
import urllib.request
from pathlib import PathPaso 4: Reutiliza instrucciones con Modelfile
Guarda el bloque como Modelfile. Ejecuta ollama create lab-helper -f Modelfile y luego ollama run lab-helper. Mantén las notas cambiantes fuera del archivo para actualizarlas y citarlas por separado.
SYSTEM define instrucciones; num_ctx solicita contexto; temperature controla el muestreo. Esto no es entrenamiento ni convierte notas en conocimiento aprendido permanente. Consulta la referencia Modelfile.
Abre el ejemplo completo para copiar — Modelfile.txt
FROM qwen2.5:3b
PARAMETER temperature 0.2
PARAMETER num_ctx 4096Paso 5: Comprueba lo conocido y lo desconocido
Prueba ubicación de archivos desechables, contraseña del administrador y una nota nueva con otra ruta. Espera ./scratch, reconocimiento de que no hay contraseña y la ruta actualizada. No introduzcas una contraseña real.
Si inventa datos, acorta la nota, concreta la pregunta y revisa la solicitud. Una respuesta correcta no demuestra precisión futura. Repite un conjunto de preguntas al cambiar modelo o instrucciones.
Paso 6: Amplía con recuperación cuando haga falta
Con muchos documentos añade recuperación: divide material aprobado, conserva archivo, fecha y página, selecciona unos pasajes y pásalos con la pregunta. Para diez notas puede bastar una búsqueda por palabras. Los embeddings ayudan con expresiones diferentes, pero requieren mantenimiento y evaluación.
Más contexto consume más memoria y no sustituye una buena selección. RAG combina recuperación y generación; no entrena pesos. Trata los documentos como datos no confiables.
Si falla la conexión, revisa el servidor; si tarda, ollama ps y memoria; si responde fuera de tema, la nota elegida. Un modelo local descargado no requiere API en la nube, pero :cloud o servicios externos cambian la ruta de datos.
Compara la frase japonesa de lectura. Sigue con OpenClaw para añadir herramientas a tu agente.
Continúa la serie
UbuntuでOllama：小さなモデルに文脈知識を渡す
手順1：小さなローカルモデルから始める
Ollamaを使うと、自分のパソコンで言語モデルを動かせます。この例は小さなテキストモデルqwen2.5:3bを使います。最新版や最良モデルという意味ではなく、大きな機材へ投資する前に短いメモで試すための選択です。
モデル用の保存領域と、重み、文脈、OSに必要な空きRAMを用意します。GPUは高速化に役立ちますが、実際の応答時間を短い文脈から測りましょう。この例はテキスト専用で、画像理解やデスクトップ操作は行いません。
利用目的に合うか、公式モデル情報とライセンスを確認してください。
手順2：UbuntuにOllamaを入れる
公式Linuxインストーラーをダウンロードして確認後に実行します。バージョンとサービスを確認します。バックグラウンドで動いていなければ別端末でollama serveを実行します。すでにポートが使用中なら二重起動しません。
通常のローカルサービスは11434番ポートを使います。この練習ではlocalhostのままにします。サービスやGPUの詳細は公式Linuxガイドを参照してください。
コピー可能な完全なコードを開く — example-01.txt
# Open full code above.手順3：短い知識メモを渡す
文脈知識とは、回答時に渡す情報です。モデルの重みを再学習することではありません。notes.txtに日付付きの短いメモを作ります。例：「2026-10-09の練習ルール：バックアップは./backups、破棄できる試験ファイルは./scratch、元ファイルは削除しない」。これは記事内の架空ラボの設定です。
次のスクリプトでローカルのチャットAPIへ渡します。未知の情報は不明と答えるように指定し、資料と指示を分けています。ただし動作の検証は必要です。
notes.txtとask.pyを同じフォルダーに保存し、python3 ask.pyを実行します。APIは公式クイックスタートを参照してください。
import json
import urllib.request
from pathlib import Path手順4：Modelfileで設定を再利用する
下をModelfileとして保存し、ollama create lab-helper -f Modelfileで設定を作り、ollama run lab-helperで起動します。変化する知識メモは外に置き、日付と出典を別に管理します。
SYSTEMは指示、num_ctxは文脈サイズ、temperatureはサンプリングの設定です。設定作成はファインチューニングではなく、メモが永続的に学習されるわけでもありません。Modelfile仕様を確認してください。
コピー可能な完全なコードを開く — Modelfile.txt
FROM qwen2.5:3b
PARAMETER temperature 0.2
PARAMETER num_ctx 4096手順5：答えられる範囲を確認する
破棄用ファイルの場所、管理者パスワード、scratchの場所を変えた新版メモの3つを試します。最初は./scratch、次は情報がないという回答、最後は新版の場所が期待値です。本物のパスワードは入れません。
情報を作り上げたら、メモを短くし、質問と送信内容を確認します。一度の正解だけでは将来の正確さは証明できません。モデルや指示を変更したら代表的な質問を再実行します。
手順6：必要になってから検索を加える
文書が増えたら検索を追加します。承認済み資料を適切な長さに分割し、ファイル名、日付、ページを残し、関連箇所だけを質問と一緒に渡します。短いメモが10個ならキーワード検索で十分かもしれません。埋め込み検索には保守と評価も必要です。
大きな文脈はメモリーを多く使い、良い資料選択の代わりにはなりません。RAGは検索と生成の組合せで、重みの学習ではありません。資料は信頼できる指示として扱わないでください。
接続拒否ならサーバー、遅いならollama psとメモリー、無関係な回答なら選択資料を確認します。ダウンロード済みローカルモデルはクラウドAPIなしで回答できますが、:cloudや外部検索では経路が変わります。
モデルがメモを読みます。ツールを使うエージェントへ進む場合はOpenClawの記事を読んでください。
技術資料の確認日：2026年10月9日。コマンドとAPIは更新されることがあります。実行時に公式資料と利用中のバージョンを確認してください。
Pon esta idea en práctica
Sigue leyendo
Cómo empezar con OpenClaw y agentes locales en Ubuntu
Instala OpenClaw, conecta Ollama local y configura Gateway y un agente con espacio propio y verificaciones prácticas.
Primeros pasos con Codex en Ubuntu para trabajo Linux y automatización
Configura Codex en Ubuntu, escribe AGENTS.md y verifica una automatización Linux repetible con Git y permisos acotados.
LangGraph para flujos prácticos: estado, aprobación y recuperación
Crea un flujo ejecutable con LangGraph, estado explícito, aprobación humana, rutas y verificación; después añade recuperación duradera.
