Skills de IA Local: Biblioteca Práctica

En el contexto de la IA local, un "skill" es una combinación de configuración, prompt engineering y/o automatización que resuelve un problema concreto. No es magia: es saber cómo usar las herramientas que ya tienes de forma más inteligente.

Esta sección es mi colección personal de skills que he ido acumulando usando OpenClaw, Ollama y otras herramientas. Algunos son trucos de productividad, otros son configuraciones específicas para modelos, y otros son automatizaciones que me ahorran horas cada semana.

Si eres nuevo, empieza por los básicos de prompting y configuración de Ollama. Si ya tienes experiencia, salta directamente a los skills avanzados de automatización.

Los modelos locales (especialmente los pequeños de 7-8B) no responden igual que GPT-4 o Claude. Necesitas adaptar tu forma de pedir las cosas. Estos prompts funcionan especialmente bien con modelos locales:

Prompt para resumir textos largos:

Resume el siguiente texto en 3 párrafos. 
Primero: idea principal. Segundo: datos clave. 
Tercero: conclusión o implicación.
No añadas opiniones ni interpretaciones.

Texto: [pega aquí el texto]

Prompt para extraer datos estructurados:

Del siguiente texto, extrae y devuelve solo estos datos en formato lista:
- Empresa o persona mencionada
- Fechas clave
- Números o cantidades relevantes
- Acciones concretas mencionadas
Si algún campo no aparece, pon "No especificado".

Texto: [texto]

Prompt para code review:

Actúa como revisor de código senior. Analiza este código y señala:
1. Posibles bugs o vulnerabilidades
2. Problemas de rendimiento
3. Violaciones de buenas prácticas
4. Sugerencias de mejora (con ejemplos concretos)
Sé específico y da líneas exactas cuando sea posible.

Código:
[código]

Consejo clave: Los modelos locales funcionan mejor con instrucciones estructuradas y explícitas. "Resume esto" es peor que "Resume en 3 puntos: primero el contexto, luego los datos, luego la conclusión". Sé específico, delimita secciones y da ejemplos del formato que esperas.

Ollama por defecto funciona bien, pero puedes ajustarlo para sacarle más partido. Estos Modelfiles y configuraciones marcan la diferencia:

Modelfile para modelo de código optimizado:

FROM qwen3:8b

PARAMETER temperature 0.2
PARAMETER top_p 0.9
PARAMETER num_ctx 8192

TEMPLATE """{{- if .System }}System: {{.System}}
{{- end }}
User: {{.Prompt}}
Assistant: """

Servir Ollama con CORS para desarrollo:

# Permitir acceso desde cualquier origen (útil para desarrollo web)
OLLAMA_ORIGINS=* ollama serve

# O más seguro: solo tu app específica
OLLAMA_ORIGINS=http://localhost:3000 ollama serve

Usar Ollama desde el terminal con pipes:

# Traducir texto directamente
cat documento.txt | ollama run llama3.1 "Traduce esto al inglés:"

# Explicar un comando
echo "iptables -A INPUT -p tcp --dport 22 -j ACCEPT" | ollama run llama3.1 "Explica este comando para un principiante:"

# Resumir logs (envía solo las últimas 50 líneas)
tail -50 /var/log/syslog | ollama run mistral "Resume los errores más críticos:"

Consejo clave: La temperatura es tu mejor amiga. Para tareas factuales (resumen, extracción), usa temperatura baja (0.1-0.3). Para creatividad (escritura, brainstorming), temperatura alta (0.7-0.9). Para código, nunca pases de 0.3.

OpenClaw permite escribir skills en TypeScript que se ejecutan en tu agente. Aquí algunas ideas que he implementado:

Skill de búsqueda y respuesta: Configura OpenClaw para que cuando le preguntes algo técnico, busque primero en tu documentación local (RAG) y solo si no encuentra respuesta, use el modelo general. Esto mejora precisión y reduce coste si usas API.

Skill de resumen automático: Cuando le envías un enlace, OpenClaw extrae el contenido, lo resume y te devuelve los puntos clave. Útil para procesar newsletters y artículos largos sin tener que leerlos enteros.

Skill de recordatorios: "Recuérdame llamar al cliente a las 15:00" — OpenClaw guarda el recordatorio y te avisa a la hora exacta por WhatsApp. No necesitas apps de terceros.

Skill de análisis de sentimiento: Pega un texto de feedback de cliente y OpenClaw te dice si es positivo, negativo o neutro, con los puntos clave extraídos. Útil para procesar encuestas y reseñas.

Skill de brainstorming estructurado: "Dame 10 ideas para contenido sobre IA local" — OpenClaw te devuelve ideas organizadas por categorías con nivel de esfuerzo estimado y potencial de impacto.

Para instalar skills en OpenClaw, revisa la documentación oficial o los ejemplos en nuestro artículo de OpenClaw vs ChatGPT donde comparamos capacidades.

No necesitas un framework complejo para automatizar cosas con IA local. Un script de Python o bash + Ollama es suficiente para el 90% de los casos:

Script para resumir archivos automáticamente:

#!/bin/bash
# resumir.sh -- pasa un archivo y te devuelve el resumen
cat "$1" | ollama run llama3.1 "Resume este documento en español, maximo 200 palabras:" > "$1.resumen.txt"
echo "Resumen guardado en $1.resumen.txt"

Script para clasificar emails:

#!/bin/bash
# clasificar.sh -- clasifica un texto en una categoria
echo "$1" | ollama run mistral "Clasifica este texto en UNA de estas categorias: 'urgencia', 'consulta', 'spam', 'seguimiento'. Responde solo con la categoria."

Pipeline de procesamiento de documentos:

#!/bin/bash
# pipeline.sh -- procesa todos los PDFs de una carpeta
for pdf in *.pdf; do
  pdftotext "$pdf" /tmp/texto.txt
  outfile="${pdf%.pdf}.resumen.md"
  cat /tmp/texto.txt | ollama run llama3.1 "Resume:" > "$outfile"
  echo "Procesado: $pdf"
done

Watchdog para monitoreo de logs con IA:

#!/bin/bash
# watchdog.sh -- vigila logs y alerta cuando detecta algo raro
tail -f /var/log/app.log | while read line; do
  echo "$line" | ollama run phi4-mini "Si este log indica un error critico o anomalia, responde 'ALERTA' seguido de una linea explicando por que. Si es normal, responde solo 'OK'."
  done

No necesitas ChromaDB ni Qdrant para empezar con RAG. Aquí un método simple que funciona sorprendentemente bien:

RAG básico con grep + Ollama:

#!/bin/bash
# preguntar.sh — busca en documentos locales y responde con el contexto
# Uso: ./preguntar.sh "¿cuál es la política de reembolso?"

PREGUNTA="$1"
# Buscar fragmentos relevantes en documentos markdown
CONTEXTO=$(grep -ril "$PREGUNTA" ~/documentos/*.md | head -3 | xargs cat | head -200)

# Pasar contexto + pregunta al modelo
cat <

# Generar embedding de un texto
curl http://localhost:11434/api/embeddings -d '{
  "model": "llama3.1",
  "prompt": "texto a convertir en embedding"
}'