Cómo ejecutar LLMs locales con Ollama y mantener la privacidad del código

• Lo que vas a aprender: instalar Ollama, descargar un modelo y usarlo con un agente de programación.
• Para quién es: para quien quiere que el código del proyecto se quede en su propia computadora.
• Resultado: un modelo local que responde y ayuda a programar.
• Requisito previo: una computadora con memoria suficiente para el modelo elegido.

LLM es la sigla de modelo de lenguaje grande, el tipo de IA detrás de los asistentes de programación. Normalmente corre en la nube, en el servidor de una empresa.

Con Ollama, el modelo corre en tu computadora. El código que le muestras a la IA no necesita salir de tu máquina.

Lo que necesitas antes de empezar

• Windows, macOS o Linux.
• VS Code o Antigravity IDE.
• Un proyecto de prueba en Git.

Paso 1: instalar Ollama

Descarga el instalador en el sitio oficial, ollama.com, y sigue las pantallas. En Linux, la documentación ofrece un comando de instalación por terminal.

Para comprobar si salió bien, abre la terminal y ejecuta:

$ ollama --version

Paso 2: descargar y probar un modelo

Elige un modelo de programación en la biblioteca del sitio de Ollama. Empieza por uno pequeño.

$ ollama run qwen2.5-coder

El primer uso descarga el modelo. Luego abre una conversación en la terminal. Pide algo simple, como "escribe una función que sume dos números".

Para salir, escribe /bye.

Para ver todos los modelos que ya descargaste, ejecuta ollama list. Esto ayuda a recordar el nombre exacto a la hora de configurar el agente.

Paso 3: conectar el modelo a un agente

Conversar en la terminal es bueno para probar. Para programar de verdad, conecta Ollama a un agente que lea y edite el proyecto.

Ollama deja un servidor local encendido en tu computadora. Agentes como Cline, OpenCode y Aider saben hablar con él. En la configuración del agente, elige Ollama como proveedor y selecciona el modelo descargado.

Mira más opciones en nuestro top 5 asistentes de IA de código abierto para ejecutar localmente.

Local o nube

Los modelos locales suelen ser más pequeños. Funcionan bien en tareas simples y en código que no puede salir de la computadora.

Para tareas grandes, un agente en la nube puede ayudar. En Claude Code, por ejemplo, inicias sesión con la suscripción Pro o Max, sin clave. El paso a paso está en nuestra guía de cómo instalar y usar Claude Code en VS Code.

Flujo práctico: crear, revisar y publicar

1. Crear

Escribe la petición como si hablaras con un colega:

Petición: "Crea una función que valide CPF y escribe pruebas para ella. Antes de tocar nada, muéstrame el plan."

Lee el plan, apruébalo o pide ajustes. Luego el agente escribe el código y ejecuta el proyecto para comprobar.

2. Revisar

Mira los cambios antes de aceptar. La pestaña Source Control del editor muestra cada línea modificada.

Pide también: "Revisa lo que hiciste y explícame en lenguaje sencillo." Si algo se rompe, pega el error en el chat y pide la corrección.

3. Publicar

Git es el historial de versiones del proyecto. Un pull request, o PR, es una petición para unir los cambios al proyecto principal después de una revisión.

1. Pide: "Crea una rama llamada valida-cpf y haz un commit con un mensaje claro."
2. Pide: "Sube la rama a GitHub y abre el PR."
3. Revisa el PR en GitHub y haz el merge.

El mismo flujo en bridgecode, con roles separados

bridgecode acepta Ollama como proveedor. Así mezclas modelos locales y de nube en el mismo equipo:

• Planificador: lee la petición y la divide en tareas pequeñas.
• Ejecutor: escribe el código de cada tarea.
• Revisor: verifica todo y señala errores antes del PR.

Cada agente trabaja en una copia separada del proyecto, así que uno no interfiere con el otro. Apruebas el plan al inicio y el PR al final.

Por ejemplo, el modelo local ejecuta tareas con código sensible y un agente de nube revisa solo lo que liberes.

Errores comunes y cómo evitar

Descargar un modelo demasiado grande

Si la computadora se traba o se vuelve lenta, cambia a un modelo más pequeño.

Olvidar el Ollama apagado

Si el agente no encuentra el modelo, revisa que el Ollama esté abierto.

Pensar que todo queda local

Si mezclas agentes en la nube, lo que leen se va a la nube. Separa bien lo que puede y lo que no puede salir.

Para entender por qué los entornos con agentes están creciendo, mira por qué los devs están cambiando IDEs tradicionales por entornos agénticos.