Herramientas y stack tecnológico

El stack concreto implementa lo que cada syllabus llamaRequisitos técnicos y plataforma: cuadernos y APIs (08–09), diagramación y repo (10), nubes + contenedores + CI (11), concontingencia local (LM Studio / Ollama) cuando cae el proveedor.

Datos: solo públicos o sintéticos. Sin PII ni secretos de producción en terceros. Claves por equipo, crédito prepagado; el estudiante no factura.

Base local (todos los cursos)

  • LM Studio— Servidor local recomendado para labs (puerto 1234). lms server start --port 1234
  • Ollama— Alternativa local; misma familia de scripts vía OPENAI_BASE_URL.
  • Python 3.11+— Runtime de labs/smoke sin dependencias pesadas obligatorias.
  • Git— Versionar prompts, design docs y canalizaciones.

Arranque rápido LM Studio

export OPENAI_BASE_URL=http://localhost:1234/v1
export OPENAI_API_KEY=lm-studio
export OPENAI_MODEL=google/gemma-4-e4b
make smoke          # o: python3 labs/smoke_local.py
make lab-08-u04     # dual-stack costo abierto vs cerrado + rúbrica
make lab-09-u01-compaction  # bloat→compact (SII) + rúbrica
make lab-09-u02     # regresión + rúbrica → labs/09/runs/
make lab-09-u04-harness     # from-scratch vs harness (ClaveÚnica)
make labs-09        # u01→compaction→u04→harness
make lab-11-u01     # health + rúbrica (exit 2 si excede presupuesto chat)

Makefile en la raíz: un comando por lab (market #4). Eval-first: labs/RUBRIC.md · claims 10: labs/10/claims_eval.md · referentes: references/referents/.

Evidencia de corrida

Estado del servidor LM Studio en puerto 1234
lms ps · gemma-4-e4b · API /v1/models
Resultado del lab 09/u01 contra LM Studio
Lab 09/u01 · score 4/4 · abstención OOD

Curso 08 ver programa

Cuadernos con cómputo acelerado + APIs de modelos cerrados + pesos abiertos locales (contingencia en CPU).

Cuadernos gestionados (GPU)

Syllabus: Entorno de ejecución — cómputo acelerado

  • Google Colab— Cuadernos con GPU/TPU para experimentos con pesos abiertos. Runtime → GPU. Preferir programas académicos / límites de cuota.
  • Kaggle Notebooks— Alternativa con cuotas de GPU semanales y datasets públicos.
  • Jupyter Lab (local)— Misma disciplina de cuaderno cuando la GPU es la del estudiante.

Pesos abiertos (local / hub)

Syllabus: Modelos abiertos · contingencia CPU

  • LM Studio— Servidor local OpenAI-compatible; demos y contingencia sin cloud. lms server start · http://localhost:1234/v1
  • Ollama— Pull/run de instruct locales; API /v1. ollama pull gemma3 · http://localhost:11434/v1
  • Hugging Face Hub + transformers— Descarga de pesos, tokenizers y notebooks de referencia.
  • llama.cpp— Inferencia cuantizada liviana en CPU cuando cae la GPU gestionada.

Modelos de acceso cerrado (API)

Syllabus: Interfaces de programación de proveedores · Unidad 4

  • OpenAI API— Comparación cerrado vs abierto (calidad, costo, latencia). Clave por equipo, crédito prepagado, sin facturación del estudiante.
  • Anthropic API— Segundo proveedor cerrado para migración / contingencia.
  • Google AI Studio / Gemini API— Tercer proveedor; programas académicos cuando existan.

Curso 09 ver programa

Cuadernos + APIs por token (sin entrenamiento). Contingencia: modelo local. Agentes solo con tools en sandbox.

Runtime de prompts y agentes

Syllabus: Entorno de ejecución · consumo por token

  • LM Studio / Ollama— Labs del repo (`labs/09/*`) contra API OpenAI-compatible. OPENAI_BASE_URL=http://localhost:1234/v1
  • Python 3 + scripts del repo— Suites de regresión, CoT+verify y agente ReAct sin framework obligatorio. python labs/09/u01/run_structured.py
  • Proveedor cloud (clave de equipo)— Talleres cuando la UAI provee cuota; medir costo por tarea (U6).

Herramientas del agente (sandbox)

Syllabus: Herramientas del agente · privilegio mínimo

  • calculator / file_read (labs/09/u04)— Tools de ejemplo aisladas; sin escritura a sistemas reales.
  • Datos sintéticos / públicos— Nunca PII ni datos de la organización del estudiante en terceros.

Marcos opcionales (verificar al dictado)

Syllabus: Nota de vigencia de marcos agénticos

Curso 10 ver programa

Sin cómputo especializado ni cuentas cloud: diagramación + repo del design doc. Costos desde listas oficiales.

Documento de diseño

Syllabus: Entorno de ejecución — repositorio + diagramación

  • Git + GitHub— Versionar el design doc e iteraciones por unidad.
  • Markdown / Notion / Google Docs— Redacción del entregable; exportable a PDF para defensa.
  • Mermaid— Diagramas de arquitectura en el mismo repo (CI-friendly). Bloques ```mermaid en el design doc.
  • draw.io / diagrams.net— Diagramas de despliegue y topologías cuando Mermaid no alcanza.
  • Excalidraw— Bocetos de interacción humano-IA en taller.

Referencias de costo (sin aprovisionar)

Syllabus: Referencias de costo — calculadoras oficiales

  • Calculadoras AWS / Azure / GCP— Presupuestos unitarios de la Unidad 1 sin crear cuentas de pago.
  • Listas de precios de APIs generativas— Costo por token / request para justificar NFR.

Curso 11 ver programa

Tres nubes + CI + contenedores locales. Cada lab declara alternativa local (p.ej. LM Studio).

Proveedores de nube (programas académicos)

Syllabus: Cuentas en los tres proveedores principales

Local + integración continua

Syllabus: Entorno local con contenedores · repositorio con CI

  • Docker— Empaquetar el servicio de inferencia / healthcheck. Imagen con healthcheck; sin secretos en capas.
  • GitHub Actions— Build, test y smoke del wrapper (labs/11/u01).
  • LM Studio (contingencia)— Backend OpenAI-compatible cuando la nube no está disponible. python labs/11/u01/health_wrapper.py

Observabilidad y secretos

Syllabus: Gestión de credenciales · monitoreo (U2/U4)

  • Secret managers (AWS SM / Azure Key Vault / GCP SM)— Sin credenciales de larga duración en el repo.
  • Dashboards nativos + alertas de presupuesto— Contenido y control de gasto desde la Unidad 1.

Otras piezas opcionales

  • llama.cpp — inferencia cuantizada en CPU (contingencia 08).
  • Open WebUI — chat sobre Ollama/LM Studio para demos.
  • vLLM / TGI — serving de alto throughput (contexto curso 11; no obligatorio en labs locales).