5 Repos Para Volverte AI Engineer

No es lo mismo que un ML engineer. El que entrena modelos desde cero, pelea con matemáticas y necesita una computadora carísima — ese es el ingeniero de machine learning. El AI engineer agarra modelos que ya existen (Llama, Claude, GPT) y los conecta con apps, datos y procesos del mundo real. Es ensamblar piezas, no fabricarlas.

Qué hace un día normal: escribe prompts, conecta APIs, mete documentos a un sistema de búsqueda inteligente, arma agentes que automatizan tareas, ajusta reglas. La mayoría del trabajo es código que pega cosas — y eso se aprende rápido si tienes los repos correctos enfrente.

Cuánto se cobra: las vacantes de AI engineer en Latinoamérica empiezan entre 2 mil y 4 mil dólares al mes en remoto. En empresas de Estados Unidos, los junior arrancan en 100 mil dólares al año. La barrera real no es el dinero del bootcamp — es saber armar algo que funcione y enseñarlo.

La progresión es la misma de cualquier curso pago: primero ejecutas un modelo, después lo conectas con código, después le metes tus datos, después armas equipos de agentes, y al final tienes ejemplos reales para mostrar. Cada uno de estos 5 repositorios cubre exactamente una de esas etapas — y los cinco juntos te llevan de cero a tu primer proyecto en línea.

1. 1

   Ollama · 170k estrellas

   Tu modelo de IA corriendo en tu computadora.

2. 2

   LangChain · 135k estrellas

   El pegamento entre el modelo y tus datos o aplicaciones.

3. 3

   LlamaIndex · 48 mil estrellas

   El cerebro que responde con tus propios documentos (esto se llama RAG).

4. 4

   CrewAI · 49 mil estrellas

   Tu equipo de varios agentes con roles distintos.

5. 5

   Awesome LLM Apps · 107k estrellas

   Más de 100 apps listas para clonar y subir a tu portafolio.

Antes de meternos a los repos, dejamos limpia la jerga. Si ya conoces estos términos, salta a la siguiente sección — pero si alguno te suena chino, lee aquí primero. La mitad del miedo de empezar viene de palabras que parecen difíciles y en realidad describen cosas simples.

Cada bloque tiene la misma estructura: qué es, qué problema resuelve, qué construyes con él, el comando de instalación y un primer ejemplo de uso. Si copias y pegas en orden, los 5 quedan funcionando en una tarde.

Explícame, como si tuviera 8 años, qué es un modelo de lenguaje y por qué puedes correrme en una computadora normal sin pedir permiso a nadie.

from langchain_ollama import OllamaLLM
from langchain_core.prompts import ChatPromptTemplate

modelo = OllamaLLM(model="llama3.2")
prompt = ChatPromptTemplate.from_template(
    "Explica {tema} en una frase simple, como para un niño."
)
cadena = prompt | modelo

print(cadena.invoke({"tema": "qué es una API"}))

from llama_index.core import VectorStoreIndex, SimpleDirectoryReader, Settings
from llama_index.llms.ollama import Ollama
from llama_index.embeddings.ollama import OllamaEmbedding

Settings.llm = Ollama(model="llama3.2", request_timeout=60)
Settings.embed_model = OllamaEmbedding(model_name="nomic-embed-text")

documentos = SimpleDirectoryReader("./mis_pdfs").load_data()
indice = VectorStoreIndex.from_documents(documentos)

motor = indice.as_query_engine()
respuesta = motor.query("Resume el documento principal en 5 puntos.")
print(respuesta)

from crewai import Agent, Task, Crew, LLM

llm_local = LLM(model="ollama/llama3.2", base_url="http://localhost:11434")

investigador = Agent(
    role="Investigador",
    goal="Encontrar las 3 noticias más recientes sobre IA",
    backstory="Eres un periodista experto en tecnología.",
    llm=llm_local,
)
escritor = Agent(
    role="Escritor",
    goal="Convertir las noticias en un resumen breve para principiantes",
    backstory="Escribes claro y sin jergas.",
    llm=llm_local,
)

tarea_invest = Task(
    description="Busca y lista 3 noticias frescas de IA con su fuente.",
    expected_output="Lista de 3 noticias con titular y fuente.",
    agent=investigador,
)
tarea_redaccion = Task(
    description="Redacta un resumen de 200 palabras con esas 3 noticias.",
    expected_output="Resumen de 200 palabras en español sencillo.",
    agent=escritor,
)

equipo = Crew(agents=[investigador, escritor], tasks=[tarea_invest, tarea_redaccion])
print(equipo.kickoff())

Acabo de clonar el repo awesome-llm-apps en esta carpeta. Lee el README principal y la lista de categorías. Luego recomiéndame las 3 apps más fáciles de adaptar para alguien que recién empieza, considerando que mi nicho es [TU NICHO — ejemplo: bienes raíces, fitness, consultoría]. Para cada una, dime: 1) qué hace en una frase simple, 2) qué cambios mínimos necesito para que se vea de mi marca, 3) qué tan rápido la puedo subir a mi portafolio.

La trampa de cualquier bootcamp es ir muy rápido. Aquí lo hacemos al revés: una semana por repositorio, con una tarea concreta cada semana. Al cierre del mes y medio, tienes un repo público en tu GitHub por cada herramienta — y un proyecto final que las junta a todas.

1. 1

   Semana 1 · Tu primer cerebro de IA en local · Ollama

   Instala Ollama, baja Llama 3.2, hazle 10 preguntas distintas. Anota cómo responde, qué tan rápido y qué errores comete. El objetivo es perderle el miedo al modelo.

2. 2

   Semana 2 · Conectar el modelo con código · LangChain

   Escribe 3 cadenas distintas: una que traduce, una que resume y una que responde preguntas con un prompt template. Súbelas a un repo nuevo en tu GitHub.

3. 3

   Semana 3 · Que responda con tus documentos (RAG) · LlamaIndex

   Mete 5 PDFs en una carpeta (manual de usuario, libro, notas, lo que sea). Indéxalos con LlamaIndex y arma un mini chat por consola que responda con base en ellos.

4. 4

   Semana 4 · Tu primer equipo de agentes · CrewAI

   Define un equipo de 3 agentes (investigador, escritor, revisor) que produzca un artículo de blog completo sobre cualquier tema. Publica el artículo en LinkedIn como demo.

5. 5

   Semana 5 · Tu portafolio público · Awesome LLM Apps

   Clona 2 apps del repo, personalízalas con tu nicho (cambia textos, colores y logo), súbelas a tu GitHub. Escribe un post en LinkedIn explicando qué hacen y qué aprendiste.

En la semana 6 (la que sigue después de la ruta), juntas todo lo aprendido en un proyecto único: un asistente que corre 100% en tu computadora, lee tus documentos, te responde con base en ellos y propone una próxima acción. Estos son los 6 pasos para llegar.

1. 1

   Levanta el cerebro con Ollama

   Corre ollama run llama3.2 en tu terminal. Déjalo abierto en segundo plano. Esa terminal es ahora tu motor de IA gratuito y privado.

2. 2

   Mete tus documentos con LlamaIndex

   Crea una carpeta mis_pdfs con los archivos sobre tu nicho (manuales, ebooks, notas, contratos). Indéxalos con el snippet de la sección 4 — quedan listos para consulta.

3. 3

   Conecta el flujo con LangChain

   Usa LangChain para encadenar: pregunta del usuario → búsqueda en LlamaIndex → respuesta del modelo. Es el pegamento que une las piezas.

4. 4

   Arma el equipo con CrewAI

   Define tres agentes: uno busca en los documentos, otro responde, un tercero propone una próxima acción (cita, correo, agenda). Así dejas de ser un chat y te conviertes en un asistente que actúa.

5. 5

   Roba la interfaz de Awesome LLM Apps

   Clona la app de chat más simple del repo (suelen ser Streamlit). Pégale tu lógica de los pasos 1 a 4 y reemplaza colores, logo y textos. En un día tienes una app real con tu marca.

6. 6

   Súbelo a GitHub y publícalo

   git init, primer commit, push a tu cuenta. Después escribe un post en LinkedIn contando qué construiste, qué aprendiste y a quién le sirve. Eso es lo que ven los reclutadores.

Cuando termines la ruta, vas a querer ir más a fondo en alguno de los repos. Estos son los enlaces oficiales que vale la pena tener guardados desde ya.

• Documentación oficial de Ollama →

  Lista de modelos disponibles, comandos de la CLI y cómo usar Ollama desde tu propio código.

• Documentación oficial de LangChain (Python) →

  Tutoriales, conceptos y referencias de cada bloque. La sección How-to guides es la más práctica.

• Documentación oficial de LlamaIndex →

  Guía completa de RAG, conectores para más de 200 fuentes de datos y ejemplos por caso de uso.

• Documentación oficial de CrewAI →

  Cómo definir agentes, tareas, herramientas y procesos. Incluye ejemplos de equipos para distintos sectores.

• Anthropic Cookbook →

  Recetario oficial de Anthropic con recetas en código para prompt engineering, herramientas, RAG y agentes con Claude.

Los 5 repos de esta guía cubren los temas centrales de prácticamente cualquier bootcamp de AI engineer. No tienes que comprar uno para empezar — tienes que abrir tu terminal hoy en la noche y correr el primer comando de Ollama.

Si te sirvió la guía, compártela con alguien que esté pensando en pagar un curso caro. Y si te trabas en alguna de las semanas o quieres una guía más profunda de uno de los repos en particular, déjalo en comentarios. Si el tema lo pide la mayoría, sale.