Agentes de IA para Programar 🤖 Guía para usar Modelos Locales y Optimizar Contexto

Vídeo em Espanhol, publicado pelo canal Nichonauta.

Sobre este contenido: El resumen, los puntos principales y los temas que aparecen a continuación se generan automáticamente a partir de la transcripción del vídeo. Reflejan el contenido, las opiniones, afirmaciones y predicciones presentadas en el vídeo y no representan una posición, validación o verificación de hechos por parte de IA Dots.

Resumen del vídeo

El video muestra el uso y prueba de un agente de programación de inteligencia artificial llamado Mineyen, abordando problemas técnicos como los tiempos de espera (timeout) y el manejo de entradas de teclado. Se analizan diferentes modelos de lenguaje, tanto locales en GPUs como de servicios externos compatibles con OpenAI, y se evalúa su desempeño en tareas de desarrollo de software y la gestión de contextos.

Puntos principales

• Se utiliza el agente de programación Mineyen para analizar y corregir problemas de tiempo de espera (timeout) en un proyecto.
• Se realizan pruebas alternando entre modelos locales ejecutados en hardware propio y modelos de servicios externos compatibles con OpenAI.
• Se identifica y corrige un problema en el editor de mensajes relacionado con la lectura de líneas y el uso de la combinación de teclas control + J para los saltos de línea.
• Se discute la ventaja de los modelos pequeños al no desperdiciar contexto y requerir menor cantidad de recursos.
• Se pone a prueba la capacidad del agente para desarrollar tareas complejas y la creación automática de carpetas y archivos mediante instrucciones específicas.

Temas

Inteligencia ArtificialAgentes de programaciónModelos de LenguajeDepuración de códigoOptimización de contextoDesarrollo de software

Transcripción del vídeo

Texto de los subtítulos disponibles; puede contener errores.

false y aquí dice off y además tampoco quiero esto, tampoco quiero esto. Venimos hacia acá, ejecutamos, ahí está. Hola, ¿quién eres? Ya no está tratando de usar la terminal para ver los archivos de otro proyecto, dándole más complejidad innecesaria, simplemente era para ver que la terminal funcionara bien. Nos queda probar poquito más los skills y los MSPs. Bueno, poquito más, si ni los hemos probado en este directo, eh, pero va por buen camino. La verdad es que bastante bastante bien. Sí, parece que los modelos pequeñitos funcionan aún mejor. Precisamente no porque sea muy bueno esto, sino porque es extremada extremadamente simple y no tiene que prestar atención a tanto contexto. O sea, eso es lo bueno que tiene, por así decirlo. Es la forma en la que entre comillas hace mejor a los modelos, no desperdiciando contexto. Hola, soy Mineyen, un asistente de programación diseñado para ayudarte a desarrollar, inspeccionar y editar código. Estoy operando dentro de tu espacio de trabajo actual Mine en el cual parece ser un proyecto con una estructura de src código fuente y test pruebas para ayudarte a leer, crear. Vamos a decirle eh actualmente tenemos un problema de time out en el proyecto. Cuando el Ll tarda mucho en responder, el proyecto deja de esperar la respuesta y falla. Analiza y dime el plan de corrección. Resulta increíble comprobar que un agente de IA es simplemente la manipulación semántica de la inteligencia del modelo capaz de extraerla o mejor de ella o lo peor, pero sí es como programar el modelo. Saludos. Si quisieras con tu 3060 dedicarte a crear sistemas y páginas web, incluso con base de datos, ¿qué modelo eh agente y modelos usarías? Si quisiera, es lo que hago. ¿Y cuál? Pues depende de qué velocidad espero, qué inteligencia espero, qué tipo de proyecto voy a realizar. Pero algo que comúnmente funciona bien es este modelo. Es como un todoterreno. Sin embargo, si quiero algo más rápido, Hornit 1.59B, cuentas.59B, Gema 412B. Si quiero algo más inteligente, cuentas.8, flash next. Y agente, pues el que sea, el que a mí me sirva, no a la GPU. Sería mejor un solo agente o varios a la vez con menos pequeños civiles tareas como CSS JS diseño. Depende, más bien ahí de acuerdo a tu tipo de uso, ¿qué conviene más? Voto por Nieto Agent. Ejecutar modelos en Linux me proporcionó mayores capacidades eh de V RAM en comparación con Windows, ya que puede aprovechar una interfaz que consume menos recursos. Ya vimos que mi GPU estaba completamente vacía. Eh, hola Juan, ¿qué te parecen para a los nuevos procesadores Gorgon Halo que han presentado hace poco? No sé nada de ellos, así que no sabría decir la verdad. Cualquier cosa que diga va a ser mentira. Muy bien. Entonces, aquí en este momento le dijimos lo del problema que tenemos, uno de ellos, que es el time out que existe en el proyecto. Con ello se puso a analizar distintos archivos que ve adecuados para seguramente que por ahí puede estar el problema. Y sí, efectivamente, de hecho creo que es en este, en el de Open AI, que es en donde se hace toda la solicitud a la API, al endpoint donde va a estar el modelo de lenguaje. En este caso, siendo dicho endpoint, llama CPP. lo que está haciendo es procesar los tokens de entrada y después de ello pues va a ser su cadena, volvió a suceder, su cadena de razonamiento para apenas empezar a responder y en este caso precisamente está sucediendo el mismo problema que ya teníamos. Sin embargo, esto nos va a servir para también darnos cuenta de una cosa más. Primero que no hace falta mejorar el proyecto desde sí mismo y después que no solo se puede con modelos locales, se puede con cualquiera Openi AI compatible que tenga un endpo al estilo open AI mismo. Open AI, por ejemplo, vamos a buscar endp open AI, aquí está. Podemos poner hasta el oficial APK, una APK real y un modelo oficial. Vamos a buscar GPT6, no, GPT 5.6 Luna API. Copiar esto que pega exactamente a el nombre exacto que tiene el modelo en la API. Efectivamente, esto es lo que queremos y APK. Tengo que poner mi APK y no mostrarla si no porque podemos corregir un error que no nos deja trabajar. [risas] Queremos corregir el time out y nos da time out, pues no es buena idea, la verdad. Muy bien, pegué mi APK. Vamos a ejecutar. Se supone que estamos con el modelo Luna, con lo cual esquivo hola y debería de responder rápido. Ah, algo está mal. Ah, sí. Es que está en otro modo. M se nota que siempre un desarrollo parece estar listo hasta que uno lo empieza a probar. No, no existe reazoning effort. No nos vamos a complicar en este momento. No vamos a desarrollar desde el mismo modelo. Vamos a probar con chat GPT y listo. Vamos, por ejemplo, dirigirnos a dicha carpeta. Por cierto, esa subcarpeta pun min agent es donde está lo de los MSPs y eso. No hace falta si no los vamos a utilizar. Y vamos a usar el GPT6 Luna, que bajo mi opinión no mejora, pero bueno. Y en flash vamos a decirle nuevamente, el proyecto al recibir respuesta del modelo llega a su time out y no recibe respuesta. Me gustaría que espere hasta una hora la respuesta. Aquí pues debería ser más rápido, primero porque no tenemos el error del agente y después pues porque es un modelo ejecutado en grandes servidores, no en una GPU pequeñita en la que no cabe completo. Así que para solucionar el fire, vamos a probar con esto a ver si lo soluciona. Y con ello pues ya sin importar qué tanto razone el modelo o qué tan lento genere tokens, de todos modos no deberíamos de llegar al time out. El time out de la llamada del modelo está fijado en 120 segundos. Aumenté. Okay, ahora vamos a decirle control + J no salta de línea, envía el mensaje, eso está mal, corrígelo en dicho proyecto. [risas] Así funcionan las cosas cuando ya tenemos un un entorno que funciona, ¿no? Y además con mejores modelos, claro está. Sin embargo, el mayor problema que hemos tenido no es tanto de inteligencia, sino de los fallos actuales de la gente, que el mismo agente hace que no lo podamos mejorar. Algo que yo hice un par de veces, eh, pero dado que no tengo GPU, no pude explotarlo casi. Es un enjambre. Múltiples instancias del Llando procesamiento por lotes. Es como magía. Sí, también suele funcionar. Es básicamente lo que hace el modo ultra code y ese tipo de cosas que tienen este tipo de agentes. Hola, ¿cómo están? Estoy haciendo pruebas con Android Studio como ID de desarrollo y estoy yendo relativamente mejor que los agentes de terminal. ¿Para qué tipo de uso? De Android Studio? Eh, deja explicarme mejor con un ejemplo. Si quisieras hacer una tienda online base con tu 3060 cámaras de configuraciones, recomendaría, por supuesto, con supervisión nuestra, a eso me refería, cuentas. 35 Bras B o Ornit eh 1.59 seguramente o Gema 412B o cuentas. Más pequeños serían más rápidos, pero requieren más supervisión de tu parte porque por el costo del consumo de un modelo se ejecuta como varios a la vez prácticamente sin de caar el consumo de recursos. Me gustaría ver algún video tuyo de ese tipo que yo al menos no vi si lo tienes. No, de momento no lo tengo. Puede ser que el timeout sea un problema de llama CPP, ¿no? De hecho, por acá nos aparece que se canceló la tarea, pero no que aquí la canceló, sino externa. De hecho, una forma de saberlo pues es si mismo llama CPP, le solicitamos la respuesta en otros lados, incluido en su mismo chat y no termina pasando esto. Se supone que muy bueno acaba de salir, se supone que es muy alto, se supone que muy rápido. Esperemos si lo logré solucionar. Esto es por comodidad y lo otro era porque si no no recibíamos respuesta. [risas] Me llegó de nuevo lo de Gema 4, que van a subir el precio en deep infra. Mm, ah, ya entendí. Vamos a ver lo que nos dice. Voy a seguir el manejo de teclas en el editor de mensajes para corregir. Control + J. Debe insertar un salto de línea y dejar el envío para su atajo correspondiente. El código ya intenta interceptar control + J, pero el evento del teclado sigue llegando a read line. Ahí está el problema. Dado que la forma en la que está intentando leer lo que estamos escribiendo es con read line, pues está intentando leer una línea. Aunque tengamos con control + J que sea para saltar línea, pues da igual, porque al intentar saltar línea aún con control + J, pues significa que ya leó ya leyó una línea, con lo cual pues ya termina su uso. O sea, no es que sea un fallo ni del read line ni del control + J, sino que realmente es el comportamiento esperado. Quiero escribir otra línea. Para ello presiono control + J. Sí, me deja escribir otra línea. Sin embargo, pues esto solo lee la primera, con lo cual pues tiene sentido, ¿no? Eh, y puede interpretarse como envío. Estoy comprobando el flujo de readline para corregir la entrada en el punto adecuado y evitar afectar a Bueno, ahí está. Vamos a probar nuevamente y ya ni siquiera necesariamente con un modelo tan grande. Vamos a volver a probar con uno pequeñito. Gema 4 E2B. Solo por probar. Ahí lo tenemos. Esperen un momentito. ¿Por qué? Porque en el punto algo que voy a tener que cambiar es la APK, que hace rato puse la de Openi AI. Y ahora http 2/127001880 V1. Llama CPP, el nombre del modelo, lo que pongamos va a responder porque es el único que está abierto, pero de igual forma ponemos el correcto y este tiene 131,72 tokens de ventana de contexto. Así intentamos ejecutar y ya debería de funcionar. Hola, control J. Sí. ¿Cómo estás? ¿Quién eres? Responde escribiendo exactamente todo este mismo texto. La última línea ya no sale acá, pero bueno, se da igual. Hola, ¿cómo estás? ¿Quién eres? Okay, esto nada más es visual, no lo recibe el modelo. Perfecto, ya tenemos eso solucionado, lo del salto de línea, con lo cual podemos organizar mejor el mensaje que estamos escribiéndolo. Ahora, la otra cosa que se había corregido era lo del time out, con lo cual con cualquier modelo ya no deberíamos de tener problema. Sin embargo, vámonos de nuevo a la carpeta de test y aquí vamos, pues, a intentar desarrollar alguna cosa larga. Por ejemplo, vamos a decirle, sería el juego de snake. HTML muy completo y funcional. Debe ser visualmente muy atractivo. La inteligencia del modelo pues tiene su límite, ¿no? Eh, pero vamos a ver qué tal. Ah, bueno, también eh analiza los promps actuales. Analiza todos los promps actuales que tiene min agent e identifica por qué podría suceder que algunas veces ni siquiera intenta leer los archivos o intenta crear un plan antes de siquiera leerlos. Debemos de ver de qué forma cambiar dichos promps que siempre primero intente leerlos. Responde con el plan. Y aquí, de hecho, el E2B sigue con el problema de que no usa las herramientas o sí, sí, sí las usó, simplemente después aquí nos dio un resumen en el que escribió literalmente el código. Este modelo pequeñito hace eso algunas veces, pero bueno, se supone que sí hizo los archivos y sí vemos por aquí que la generación de carpetas pues se hace, no es que tenga un comando como tal para crear la carpeta, no tiene sentido. Mejor que escriba el archivo indicando ccs/style.cs CSS y con eso automáticamente el modelo empieza a escribir el contenido y la carpeta se hace sola. lo hace el mismo agente al detectar que está indicado el nombre de una carpeta, haciendo que no le demos tanta complejidad de tienes que crear la carpeta y tener eso en el contexto. Puedes crear una carpeta así, puedes crear un archivo así que no haya que no haya ahí ese contexto innecesario y al mismo tiempo que al momento de trabajar directamente se ponga a escribir el archivo, ¿no? Primero crear carpeta.

Assistir ao vídeo original no YouTube

Assuntos: Agentes de IA. Publicado no YouTube em 2026-10-16.

Seleção automática por assunto e idioma. O vídeo pertence ao canal de origem.

Sobre llama-server, el servidor HTTP de llama.cpp

llama.cpp es una biblioteca escrita en C++ para ejecutar modelos de lenguaje grandes en el propio equipo. Según Wikidata, su autor es Georgi Gerganov, se distribuye bajo la licencia MIT, lee y escribe modelos en formato GGUF, funciona en Linux, macOS, Windows y FreeBSD y es compatible con la API de OpenAI. El código está en el repositorio ggml-org/llama.cpp de GitHub.

llama-server es el servidor HTTP incluido en llama.cpp. Su documentación oficial menciona decodificación en paralelo con varios usuarios, procesamiento por lotes continuo, API compatible con OpenAI (por ejemplo, el endpoint /v1/chat/completions), respuestas JSON restringidas por esquema, llamadas a funciones, decodificación especulativa y una interfaz web. Entre sus parámetros, -to o --timeout define el tiempo límite de lectura y escritura del servidor en segundos (3600 por defecto, también configurable con la variable LLAMA_ARG_TIMEOUT); -c o --ctx-size fija el tamaño del contexto (0 significa usar el valor del modelo); --host indica la dirección de escucha, que por defecto es 127.0.0.1; y --api-key exige una clave para autenticar las solicitudes.

Ficha técnica

• Proyecto: llama.cpp
• Autor: Georgi Gerganov
• Lenguaje: C++
• Licencia: MIT
• Formato de modelo: GGUF
• Servidor incluido: llama-server, con API compatible con OpenAI
• Tiempo límite del servidor: -to / --timeout, 3600 segundos por defecto
• Dirección por defecto: 127.0.0.1

Lee también

• Uso de Llama.cpp con Agentes de IA 🤖 Cómo Configurar Modelos Locales
• Instalar Hermes Agent con Llama.cpp 🚀 Tu PROPIO Asistente de IA Local
• Codex en LOCAL 🚀 Cómo usar Agentes de IA GRATIS e ILIMITADOS

---

Fuentes y referencias: Wikidata – llama.cpp (Q125998452) · llama.cpp – README de llama-server (en inglés) · video del canal Nichonauta en YouTube.