Olvídate de hacerle preguntas genéricas a ChatGPT; hoy vamos a ver cómo sacarle partido real y práctico a la tecnología para solucionar problemas cotidianos y quitarnos de encima la fatiga de decisión diaria.
Seguro que te suena la película: post-its en la nevera, hojas de cálculo que se quedan desactualizadas y el clásico "¿qué cenamos hoy?" que acaba en improvisación o en una compra desorganizada. Para evitar esto, he diseñado un ecosistema de agentes basados en cuatro cajas de herramientas que llamamos MCP (Model Context Protocol). Estos protocolos permiten que la IA no solo responda preguntas, sino que interactúe de forma directa con mis datos y aplicaciones externas.
Te explico de forma muy sencilla las piezas que componen este sistema:
El RAG Semántico para las recetas: Tengo una base de datos vectorial con unas 1.700 recetas cargadas en PostgreSQL mediante pgvector. La clave es que no busco platos por coincidencia exacta de palabras. Si le digo que quiero "algo rápido y ligero con verdura", el sistema realiza una búsqueda semántica, entiende lo que busco y me propone las mejores opciones. Todo esto se procesa de forma económica mediante OpenRouter sin necesidad de tener una potente GPU en local.
Los Skills y SQLite: Los "Skills" definen los procesos exactos que debe seguir el modelo. Le he marcado unas pautas sencillas: platos únicos mediterráneos para comer y cenas ligeras. Toda esta información se gestiona en una base de datos SQLite muy ligera.
Lógica difusa en la lista de la compra: El asistente es capaz de agrupar ingredientes similares. Si dos recetas piden tomates en formatos distintos (por ejemplo, "tomates a granel" y "100g de tomates"), la lógica difusa los unifica bajo un mismo concepto para evitar duplicados en la lista de la compra, organizando además los productos por pasillos o secciones (como frutería o carnicería).
Typst para exportar a PDF: Para ver el menú en una tablet o imprimirlo para la nevera, utilizo Typst, una alternativa moderna a LaTeX que me genera unos documentos PDF impecables en cuestión de segundos.
Además, te cuento cómo puedes montar todo esto en local de manera gratuita con Ollama, y aprovecho para actualizarte sobre mis andanzas de vuelta al "cacharreo" puro en Linux: desde mis experiencias recientes con el editor Helix y "mkdr" (mi renderizador de Markdown para terminal), hasta "podcli", una pequeña utilidad para exprimir los feeds de podcast desde la consola.
Espero que disfrutes de este episodio tanto como yo montando todo este tinglado. ¡A cacharrear!
Capítulos del episodio:
00:00:00 Agentes de IA que de verdad nos facilitan la vida
00:01:42 El ejemplo práctico: Automatizar nuestro menú semanal
00:03:51 La fatiga de decisión y por qué la disciplina humana falla
00:05:38 Mi caja de herramientas: 4 MCPs (Model Context Protocol)
00:06:58 Buscando comida con IA: El RAG semántico de 1700 recetas
00:08:45 Búsqueda híbrida y embeddings económicos sin usar GPU local
00:10:00 Simplificando las comidas: El papel de los "Skills"
00:11:58 Organizando la base de datos de manera sencilla con SQLite
00:13:31 Lógica difusa: Evitando duplicados en la lista de la compra
00:15:23 Creando PDFs bonitos con Typst (la alternativa moderna a LaTeX)
00:17:03 Demostración en directo: Generando el menú de la semana
00:19:12 Automatización total: Generación automática de menús con Cron
00:20:19 Revisión del menú, las recetas y la alternativa local con Ollama
00:23:12 De vuelta al "cacharrero" de Linux: Helix, mkdr y Podcli
00:24:51 Próximos episodios: Instalación desde cero a producción de Hermes
00:25:38 Despedida y cierre del episodio
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
España