Atareao con Linux

¡Episodio 800 de Atareao con Linux! Parece que fue ayer cuando empecé a grabar las primeras entregas compartiendo mis andanzas en el mundo de los servidores y el código abierto, y mirad hasta dónde hemos llegado. Muchísimas gracias de todo corazón por acompañarme en este viaje, por cada comentario, por cada descarga y por estar siempre ahí al otro lado del auricular trasteando y cacharreando conmigo.
Para conmemorar este número tan redondo, hoy vamos a seguir explorando el apasionante mundo del Model Context Protocol (MCP), esa tecnología que está revolucionando la forma en la que interactuamos con la Inteligencia Artificial de forma local. Si en el episodio anterior nos centramos en una herramienta pasiva para consultar la previsión del tiempo, hoy vamos a dar un paso de gigante hacia la acción. Te voy a explicar en detalle cómo he diseñado e implementado un servidor MCP ToDo que dota a tu IA local de una memoria persistente a largo plazo. Sí, has escuchado bien: ¡vamos a curar de una vez por todas la amnesia de los modelos de lenguaje!
Mi propuesta: Un gestor de tareas local programado en Rust
Para atajar este problema, me puse manos a la obra y programé un servidor MCP específico para la gestión de tareas utilizando Rust.
Poniéndolo a prueba en vivo y en directo
Durante el episodio de hoy te cuento exactamente cómo tengo desplegada esta solución en mi servidor doméstico.
Optimización de tokens: El arte de no saturar a la IA
Un detalle técnico fundamental que abordo en este episodio es el control y optimización del contexto.
Capítulos del episodio:
00:00:00 Intro: El hito del episodio 800 y el problema de la memoria en las IA
00:00:32 El consumo de tokens y los límites de la ventana de contexto
00:01:22 Herramientas externas para dotar de memoria a los modelos de lenguaje
00:03:26 Solucionando la "amnesia" de la IA con una base de datos local
00:04:44 Implementación técnica: Un servidor MCP rápido en Rust con Podman y Docker
00:06:14 Cómo configurar la integración del MCP ToDo en OpenWeb UI paso a paso
00:08:29 Demostración en vivo: Listar, añadir y consultar tareas pendientes
00:09:56 El reto del lenguaje natural, el formato de fechas y los logs internos
00:12:05 Gestión avanzada: Marcar tareas completadas y asignar etiquetas
00:14:52 ¿Cómo funciona bajo el capó? Operaciones CRUD y base de datos relacional
00:16:42 Por qué elegí SQLite frente a JSON (búsquedas rápidas con FTS5)
00:18:22 El truco para evitar que tu IA colapse: Paginación y control de tokens
00:20:20 Seguridad de archivos: El rol del MCP como intermediario seguro
00:22:16 El siguiente nivel: De la consulta pasiva de información a la escritura activa
00:23:21 El puente definitivo hacia las bases de datos vectoriales y RAG
00:23:58 Próximo Workshop presencial sobre IA local en Linux Center (Slimbook)
00:24:52 Código abierto en GitHub, infografías de Atareao y avance del próximo episodio
00:25:54 Despedida, comunidad y la red de podcasts de Sospechosos Habituales

Más información y enlaces en las notas del episodio
🌐 Aquí lo puedes encontrar todo 👉 https://atareao.es
✈️ Telegram (el grupo) 👉 https://t.me/atareao_con_linux
✈️ Telegram (el canal) 👉 https://t.me/canal_atareao
🦣 Mastodon 👉 https://mastodon.social/@atareao
🐦 Twitter 👉 https://twitter.com/atareao
🐙 GitHub 👉 https://github.com/atareao

En el episodio anterior te estuve hablando de tres pilares fundamentales que cambian por completo las reglas del juego cuando queremos ir un paso más allá de los modelos de lenguaje convencionales: el RAG (la memoria), las habilidades y las herramientas. Hoy no nos vamos a quedar en las nubes de la teoría. Hoy nos arremangamos y vamos directos al turrón con un ejemplo totalmente práctico, porque al final lo que queremos es ver cómo se hace, cómo se lleva a cabo en nuestro propio servidor y cómo podemos empezar a sacarle partido a estas tecnologías desde ya.
¿Por qué Rust es el rey del cacharreo con MCPs?
Si buscas tutoriales en la red, verás que la inmensa mayoría de servidores MCP se desarrollan en Python. No me malinterpretes, Python es fantástico para escribir código rápido, pero en el mundo de los microservicios autohospedados y los contenedores tiene ciertos inconvenientes difíciles de ignorar. Python tarda más en arrancar y consume una cantidad considerable de memoria RAM por el simple hecho de existir.
Por este motivo decidí programar todos mis MCPs utilizando Rust. Rust nos compila un binario nativo, limpio y directo. No hay intérpretes pesados de por medio. La latencia de respuesta es prácticamente cero, el consumo de memoria es insignificante y se ejecuta a una velocidad de vértigo. Además, gracias a editores modernos equipados con IA como OpenCode, una vez que logras pulir y estructurar tu primer MCP en Rust (por ejemplo, el del tiempo), crear el siguiente es sencillísimo. Solo tienes que proporcionarle a tu herramienta de código la estructura de tu primer desarrollo y pedirle que adapte esa misma lógica para conectar cualquier otra API o base de datos que necesites. ¡Es una delicia ver cómo escala el sistema!
Bajo el capó: APIs públicas, Docker y Quadlets
Para hacer realidad este MCP meteorológico, he combinado el poder de dos APIs públicas muy conocidas:
Nominatim (OpenStreetMap): Como las APIs del tiempo necesitan coordenadas geográficas (latitud y longitud), Nominatim se encarga de traducir textos legibles como "Valencia" o "Tokio" en datos numéricos de localización.
Open-Meteo: Recibe las coordenadas enviadas por el MCP y devuelve la previsión meteorológica actual, horaria o diaria sin necesidad de usar claves de API complejas ni registros restrictivos.
Todo este flujo de datos se empaqueta de forma elegante en un contenedor de Docker y se gestiona mediante un Quadlet de Podman para garantizar que se inicie de forma nativa e integrada con el sistema operativo de nuestro servidor.
Y más adelante nos sumergiremos en el fascinante universo del RAG local.

Capítulos del episodio:
00:00:00 Introducción y repaso del episodio anterior
00:00:43 El problema de los modelos estáticos de IA
00:01:29 El ejemplo práctico: Preguntando el tiempo
00:03:20 Ahorro extremo de tokens con MCP
00:04:49 Taller de IA agéntica y automatización con Slimbook
00:06:22 Cacharreando con DeepSeek V4 Flash en OpenCode
00:07:33 ¿Qué es y cómo funciona un MCP?
00:09:13 Por qué desarrollo mis MCPs en Rust (y no en Python)
00:11:13 Limpieza de datos y gestión de errores
00:12:40 Cómo conectar un MCP a Open Web UI paso a paso
00:14:18 Probando la previsión meteorológica en vivo
00:15:37 El motor bajo el capó: Open-Meteo, Nominatim y Docker
00:17:25 Codegraph: Analizando código para ahorrar tokens
00:18:22 Próximo episodio: Guardar tareas persistentes con MCP To Do
00:19:48 Otros MCPs listos para el taller de IA
00:21:22 El futuro del podcast: RAG local, notas y más cacharreo
00:22:50 Despedida, enlaces de interés y cierre

Más información, enlaces y notas en https://atareao.es/podcast/799🌐 Aquí lo puedes encontrar todo 👉 https://atareao.es✈️ Telegram (el grupo) 👉 https://t.me/atareao_con_linux✈️ Telegram (el canal) 👉 https://t.me/canal_atareao🦣 Mastodon 👉 https://mastodon.social/@atareao🐦 Twitter 👉 https://twitter.com/atareao🐙 GitHub 👉 https://github.com/atareao

Este episodio nos vamos a meter de lleno en el barro del cacharreo del bueno para hablar de algo que me tiene completamente entusiasmado y sin dormir de la emoción en los últimos días: el maravilloso e increíble mundo del futuro agéntico. Sí, sí, has oído bien. Vamos a desgranar cómo dar el salto definitivo de esos chats de Inteligencia Artificial tan aburridos en los que solo escribes una pregunta y esperas una respuesta, a tener un auténtico colaborador activo que haga tareas reales por ti en tu propia máquina.
Seguro que te ha pasado alguna vez. Estás usando un modelo de lenguaje, le pides ayuda para tu proyecto personal o para organizar tus notas de Linux, y de repente te das cuenta de que la IA se ha quedado congelada en el tiempo. Su conocimiento es completamente estático, no tiene ni la más remota idea de tus datos, de tus notas en Markdown, de tus contenedores ni de tus flujos de trabajo. Y lo peor de todo: cuando no sabe algo, en lugar de callarse, ¡se lo inventa con una tranquilidad que asusta! Básicamente, alucina. Las IAs de hoy en día, tal y como nos las venden de fábrica, están completamente aisladas del entorno, del tiempo y de tus propios procesos de trabajo. Son como un trozo de corcho flotando a la deriva en mitad del océano: muy ligeras y con potencial, pero incapaces de hacer nada útil de forma autónoma.
¿Y cuál es la solución para dejar de tener una IA "tonta" y aislada? No se trata de una única tecnología mágica, sino de combinar con cabeza tres piezas fundamentales que le darán superpoderes a tu asistente: el RAG (la memoria), los MCP (las manos) y las Skills (los manuales de instrucciones).
Cuando consigues orquestar estas tres piezas en tu propio host local, la magia ocurre. Consigues crear un asistente de verdad, como mi querido Hermes, que es capaz de redactar los textos que necesito para este podcast, gestionar mis recordatorios y organizar mis notas de forma totalmente autónoma mientras yo me lo paso pipa programando.
Capítulos del episodio:
00:00:00 ¡Bienvenidos al futuro agéntico!
00:01:21 Lo que se viene en este episodio (y en los próximos)
00:02:42 ¿Por qué las IAs hoy en día son "tontas" e inútiles?
00:04:36 La solución: Skills, RAG y MCP explicados fácil
00:06:14 La analogía del nuevo empleado en tu empresa
00:07:38 El agente de IA como el gran director de orquesta
00:08:21 ¿Qué es el RAG? (Conocimiento en tiempo real sin fine-tuning)
00:11:17 Mi RAG propio en Rust para archivos Markdown
00:12:39 ¿Qué es el MCP? (La revolución de Anthropic)
00:14:55 Cómo usar MCP para conectar tu IA con el mundo real
00:16:14 Mis servidores MCP: SearXNG, Invidious y listas de tareas
00:18:10 Skills: Ahorro de tokens y flujos de trabajo inteligentes
00:20:11 La matriz definitiva: Memoria, Manos y Manuales
00:22:04 De un chat reactivo a un colaborador activo (Mi asistente Hermes)
00:23:54 Próximos pasos, descargas de código y despedida

Más información y enlaces en las notas del episodio
🌐 Aquí lo puedes encontrar todo 👉 https://atareao.es
✈️ Telegram (el grupo) 👉 https://t.me/atareao_con_linux
✈️ Telegram (el canal) 👉 https://t.me/canal_atareao
🦣 Mastodon 👉 https://mastodon.social/@atareao
🐦 Twitter 👉 https://twitter.com/atareao
🐙 GitHub 👉 https://github.com/atareao

¿Quieres usar agentes de IA para programar sin arruinarte? En este episodio de atareao con Linux comparo las dos opciones más interesantes para desarrolladores en 2026: OpenCode Go y OpenRouter.
Durante las últimas semanas he estado completamente volcado con OpenCode, usándolo tanto para generar código como para revisar código existente. Y en el proceso me he encontrado con una pregunta clave: ¿cómo accedo a los modelos de IA sin arruinarme?
La respuesta no es trivial. Tienes dos opciones clásicas: comprar hardware dedicado o pagar servicios en la nube como ChatGPT o Gemini. Pero hay una tercera vía: combinar herramientas open source con servicios de bajo coste.
En este episodio te cuento:
Qué es OpenCode Go y por qué $10/mes pueden ser suficiente
Qué es OpenRouter y cómo usar 400+ modelos (algunos gratis)
Comparativa directa de precios, modelos, ventajas y desventajas
Cuál elegir según tu caso de uso
Caso práctico: cómo mejoré mi herramienta Shul con skills de Rust y React
Por qué las skills son el verdadero game-changer de los agentes de IA
También te adelanto lo que viene en los próximos episodios: flujo de trabajo completo con skills, RAG, MCPs... la cosa se pone muy caliente.
Capítulos:
00:00 — Introducción: el dilema de la IA y el dinero
02:30 — ¿Qué es OpenCode?
04:50 — OpenCode Go: la suscripción de $10/mes
08:20 — OpenRouter: el agregador de 400+ modelos
10:50 — Comparativa directa
13:00 — Caso práctico: mejorando Shul con Skills
16:00 — El poder de las Skills
19:00 — Conclusiones y cuál elegir
22:00 — Próximos episodios

Más información y enlaces en las notas del episodio
🌐 Aquí lo puedes encontrar todo 👉 https://atareao.es
✈️ Telegram (el grupo) 👉 https://t.me/atareao_con_linux
✈️ Telegram (el canal) 👉 https://t.me/canal_atareao
🦣 Mastodon 👉 https://mastodon.social/@atareao
🐦 Twitter 👉 https://twitter.com/atareao
🐙 GitHub 👉 https://github.com/atareao

Si te ha gustado, deja una reseña en Spotify y comparte el episodio con alguien que esté interesado en la IA aplicada al desarrollo. ¡Nos escuchamos el próximo jueves!

En el episodio de hoy, el número 796, vengo con muchas ganas de contarte algo que me tiene completamente fascinado.
Pero vamos a lo importante: las Skills o habilidades. Si creías que la inteligencia artificial era solo un chat donde escribir preguntas y recibir respuestas, prepárate, porque hoy vamos a ver cómo dotar a nuestros modelos de lenguaje de auténticos "superpoderes" técnicos.
¿Qué son realmente las Skills?
Imagina que en lugar de darle instrucciones genéricas a tu modelo (lo que conocemos como prompt), le proporcionas una estructura especializada. Una Skill es una herramienta transversal que le enseña al modelo a comportarse como un experto en una materia concreta. Lo maravilloso es que estas habilidades no dependen de un solo modelo; puedes usarlas con Claude, con OpenCode, con Hermes o con cualquier otro agente. Es una forma de democratizar el conocimiento técnico y hacerlo reutilizable.
En este episodio te cuento mi experiencia personal utilizando estas habilidades para tareas que, de normal, nos llevarían bastante tiempo de configuración. Desde crear contenedores Docker optimizados hasta gestionar bases de datos complejas sin escribir una sola línea de SQL.
Soberanía Digital y Potencia Local
Ya sabes que me encanta el lema de "yo me lo guiso, yo me lo como". Aunque existen servicios externos muy económicos para correr estos modelos, nada supera la sensación de tener el control total. Te hablo de mi configuración actual: un Slimbook con una Nvidia GeForce RTX 4060 Ti de 16 GB de VRAM. Con este hardware estoy corriendo modelos como el Qwen de 35 billones de parámetros con una fluidez espectacular. Aquí es donde la soberanía digital cobra sentido: mis datos, mis reglas y mi hardware.
Ejemplos prácticos: Docker y SQLite
A lo largo del audio, te guío por dos ejemplos que me han dejado con la boca abierta:
Docker Expert.
SQLite Expert.
La Anatomía de una Skill: Bajo el capó
Menciono también el increíble trabajo de Daniel Primo en Web Reactiva, quien ha profundizado muchísimo en este tema de las Skills y cuya guía ha sido una fuente de inspiración fundamental para experimentar con todo esto.
Conclusión: El futuro es el lenguaje natural
Capítulos:
00:00:00 El troleo a David y la importancia del feedback
00:00:41 Introducción a las Skills: Dale "poderes" a tu IA
00:01:14 Repaso a OpenCode y el paso a la soberanía digital
00:02:11 Mi hardware: Slimbook, Nvidia RTX 4060 Ti y el modelo Qwen
00:02:55 ¿Qué son realmente las Skills y por qué usarlas?
00:04:18 Ejemplo práctico: Instalando una Skill para Docker
00:04:58 Recomendación: La guía de Skills de Daniel Primo
00:06:08 Generando un Dockerfile complejo para Rust en dos etapas
00:07:34 Anatomía de una Skill: Front Matter, YAML y Markdown
00:09:25 Cómo el agente gestiona los tokens y las habilidades
00:10:48 Verificación del Dockerfile generado por la IA
00:12:11 Trabajando con bases de datos: Skill de SQLite Expert
00:13:24 Experiencia real: Revisando código Backend y Frontend
00:15:38 Consultas en lenguaje natural sobre la base de datos
00:17:40 Tipos de Skills: Percepción, Acción y Pensamiento Complejo
00:19:47 Conclusiones: Programar sin programar y modelos locales
00:20:29 Despedida y red de sospechosos habituales
Más información, enlaces y notas en https://atareao.es/podcast/796🌐 Aquí lo puedes encontrar todo 👉 https://atareao.es✈️ Telegram (el grupo) 👉 https://t.me/atareao_con_linux✈️ Telegram (el canal) 👉 https://t.me/canal_atareao🦣 Mastodon 👉 https://mastodon.social/@atareao🐦 Twitter 👉 https://twitter.com/atareao🐙 GitHub 👉 https://github.com/atareao