5 repos antes que un bootcamp

Para quién es: Para el que está por pagar un bootcamp, o quiere empezar con IA y no sabe por dónde.

Antes de pagar dos mil dólares, probá lo que es gratis.

Hay una diferencia grande entre usar IA y construir con IA. Para lo primero alcanza con abrir ChatGPT. Para lo segundo (conectar un modelo a tus datos, automatizar un proceso, armar algo que corra solo) hacen falta herramientas. La buena noticia es que las mejores son gratis y abiertas.

Esta es una lista corta y opinada: cinco repositorios que cubren casi todo lo que vas a necesitar al principio. No los elegí por populares, sino porque cada uno resuelve un problema distinto y los cinco juntos no se pisan.

Las cifras de estrellas son de octubre de 2026 y suben todo el tiempo. Están para que veas qué tan vivo está cada proyecto, no como medida de calidad.

Lo que resuelve cada uno

Herramienta	Para qué sirve	Estrellas	Licencia
Ollama	Correr modelos en tu propia máquina	182k	MIT
LangChain	Conectar un modelo con datos y herramientas	147k	MIT
LlamaIndex	Que el modelo responda con tus documentos	52k	MIT
CrewAI	Varios agentes con roles que colaboran	59k	MIT
Awesome LLM Apps	Más de 100 aplicaciones listas para leer y clonar	141k	Apache-2.0

Las cinco licencias son permisivas, así que podés usarlas en proyectos comerciales. Eso no es poca cosa: mucha herramienta que parece abierta tiene letra chica que aparece justo cuando querés cobrar por lo que construiste.

1. Ollama: modelos en tu propia máquina

github.com/ollama/ollama

El problema que resuelve: probar modelos sin crear cuentas, sin tarjeta y sin que tus datos salgan de tu computadora.

Ollama descarga y ejecuta modelos abiertos (Llama, Qwen, Gemma, DeepSeek y varios más) en tu máquina. Se instala y se usa con un comando. Si trabajás con información de clientes y te frena la idea de pegarla en un servicio de terceros, esto resuelve esa objeción de raíz: nada sale de tu equipo.

Cuándo no lo necesitás: si tu caso es generar texto de marketing o resumir documentos públicos, un modelo comercial por API va a ser más barato, más rápido y mejor. Lo local tiene sentido cuando la privacidad, el costo por volumen o el trabajo sin conexión pesan de verdad. Y pide hardware: con 8 GB de RAM vas a correr modelos chicos y lentos.

2. LangChain: el cableado entre el modelo y el resto

github.com/langchain-ai/langchain

El problema que resuelve: un modelo solo responde texto. Para que consulte una base, llame a una API o encadene varios pasos, hace falta algo en el medio.

LangChain es ese algo. Es el framework más usado del rubro y el que más documentación y ejemplos tiene, que al principio importa más que la elegancia.

La advertencia honesta: tiene fama de pesado, y con razón. Para un caso simple (una llamada al modelo y listo) agrega capas que no necesitás, y te vas a pelear con abstracciones para hacer algo que en veinte líneas de Python ya funcionaba. Empezá sin framework y sumalo cuando el cableado se vuelva el problema.

3. LlamaIndex: que el modelo conozca tus documentos

github.com/run-llama/llama_index

El problema que resuelve: el modelo no sabe nada de tu empresa. LlamaIndex le da acceso a tus documentos para que responda con ellos en vez de inventar.

La técnica se llama RAG: en lugar de reentrenar el modelo, que es caro y lento, se buscan los fragmentos relevantes de tus archivos y se le pasan junto con la pregunta. Es lo que hay detrás de casi todo “chateá con tus PDFs”.

Para qué sirve en la práctica: manuales internos, documentación de producto, históricos de soporte, normativa. Todo eso que alguien del equipo busca a mano cada vez.

Cuándo no lo necesitás: si son veinte documentos, pegarlos directamente en el prompt funciona y no requiere infraestructura. RAG empieza a pagar cuando el volumen no entra en una conversación.

4. CrewAI: varios agentes con roles distintos

github.com/crewAIInc/crewAI

El problema que resuelve: tareas que una sola pasada del modelo hace mal, pero que salen bien si se dividen. Uno investiga, otro redacta, otro revisa.

CrewAI arma esos equipos: definís roles, objetivos y cómo se pasan el trabajo.

Dónde está la trampa: es la categoría más vendida y la que más decepciona. Multiplicar agentes multiplica los puntos de falla, el costo y el tiempo de respuesta, y en muchos casos un solo prompt bien escrito gana. Probá primero con uno. Si de verdad se te mezclan responsabilidades y el resultado mejora al separarlas, ahí sí.

5. Awesome LLM Apps: más de cien ejemplos para leer

github.com/Shubhamsaboo/awesome-llm-apps

El problema que resuelve: la distancia entre entender los conceptos y ver cómo se ensambla todo junto.

Es una colección de aplicaciones completas y funcionando, con su código. No es una herramienta, es material de lectura, y probablemente lo que más te acelere al principio.

Cómo aprovecharlo: buscá el ejemplo más parecido a lo que querés hacer, correlo, rompelo a propósito y arreglalo. Se aprende más de eso que de cualquier tutorial.

En qué orden tocarlos

1. Ollama primero. Tener un modelo corriendo en tu máquina en diez minutos cambia la relación con el tema: deja de ser abstracto.
2. Después, Python pelado contra una API. Sin frameworks. Para entender qué es un prompt, un token y por qué a veces inventa.
3. LlamaIndex cuando tengas documentos propios. Es el primer salto a algo que resuelve un problema real.
4. LangChain cuando el cableado moleste. No antes.
5. CrewAI al final, y con escepticismo.

Y Awesome LLM Apps en paralelo todo el tiempo, como referencia.

Para arrancar hoy

Ollama se instala desde ollama.com (Windows, Mac o Linux). Después, en la terminal, elegís un modelo chico de su biblioteca y lo corrés:

ollama run llama3.2

Las otras tres herramientas son librerías de Python. Cada una se instala con un comando, de a una y cuando llegue su turno:

pip install llama-index
pip install langchain
pip install crewai

Y los ejemplos, para tenerlos a mano:

git clone https://github.com/Shubhamsaboo/awesome-llm-apps

Lo que ninguno de los cinco resuelve

Las herramientas no arreglan un proceso desordenado. Si los datos están en cinco planillas que no coinciden, o nadie sabe cuál es la versión buena de un documento, ningún framework de esta lista lo va a solucionar. Y un sistema con IA encima del desorden lo acelera, no lo corrige.

Por eso lo primero no es elegir herramienta: es tener claro qué problema vas a resolver y si hay datos confiables para hacerlo. Lo demás viene después.

---

¿Querés aprender esto armando un proyecto real, con datos reales y gente que está en lo mismo? Es lo que hacemos en la Sala de máquinas, gratis. Y si te trabás en algo puntual, una mentoría 1:1 lo destraba en una hora.

Preguntas frecuentes

¿Hace falta pagar un bootcamp para aprender a construir con IA?+

No para empezar. Ollama, LangChain, LlamaIndex, CrewAI y Awesome LLM Apps son gratis, abiertos y cubren lo mismo que el arranque de un bootcamp: correr un modelo, conectarlo con tus datos y apps, hacerlo leer documentos y armar agentes.

¿Por cuál repo conviene empezar?+

Por Ollama: en diez minutos tenés un modelo corriendo en tu máquina. Después, Python sin frameworks contra una API; LlamaIndex cuando tengas documentos propios; LangChain cuando el cableado moleste, y CrewAI al final.

¿Necesito una computadora potente para usar Ollama?+

Depende del modelo. Con 8 GB de RAM corrés modelos chicos y lentos. Si no necesitás privacidad total ni trabajar sin conexión, un modelo comercial por API suele ser más barato y rápido.

¿Puedo usar estas herramientas en proyectos comerciales?+

Sí. Las cinco tienen licencias permisivas (cuatro MIT y una Apache-2.0), así que podés usarlas en proyectos por los que cobrás.