{"id":45628,"date":"2025-12-02T17:50:30","date_gmt":"2025-12-02T16:50:30","guid":{"rendered":"\/co\/tutoriales\/tutorial-de-ollama-cli"},"modified":"2026-03-10T16:42:44","modified_gmt":"2026-03-10T15:42:44","slug":"tutorial-de-ollama-cli","status":"publish","type":"post","link":"\/co\/tutoriales\/tutorial-de-ollama-cli","title":{"rendered":"Tutorial de Ollama CLI: ejecutar Ollama a trav\u00e9s del terminal"},"content":{"rendered":"

Al ser una herramienta potente para ejecutar modelos de lenguaje grandes (LLM) de forma local, Ollama ofrece a desarrolladores, científicos de datos y usuarios técnicos un mayor control y flexibilidad a la hora de personalizar modelos.<\/p>

Aunque puedes utilizar Ollama con interfaces gráficas de terceros, como Open WebUI, para interacciones más sencillas, ejecutarlo a través de la interfaz de línea de comandos (CLI) te permite registrar las respuestas en archivos y automatizar los flujos de trabajo mediante scripts.<\/p>

Este tutorial te guiará a través del uso de Ollama a través de la CLI, desde el aprendizaje de los comandos básicos y la interacción con los modelos hasta la automatización de tareas y la implementación de tus propios modelos. <\/p>

Al final, podrás adaptar Ollama a tus proyectos basados en IA.<\/p>

Configuración de Ollama en la CLI<\/h2>

Antes de utilizar Ollama en la CLI, asegúrate de que lo has instalado en tu sistema<\/a> correctamente. Para verificarlo, abre tu terminal y ejecuta el siguiente comando:<\/p>

ollama --version<\/pre>
Deberías ver un resultado similar a este:<\/p>
\"Salida<\/figure>
A continuación, familiarízate con estos comandos esenciales de Ollama:<\/p>
Comando<\/strong><\/td>Descripción<\/strong><\/td><\/tr>
ollama serve<\/td>Inicia Ollama en tu sistema local.<\/td><\/tr>
ollama create< new_model><\/td>Crea un nuevo modelo a partir de uno existente para personalizarlo o entrenarlo.<\/td><\/tr>
ollama show< model><\/td>Muestra detalles sobre un modelo específico, como su configuración y fecha de lanzamiento.<\/td><\/tr>
ollama run< model><\/td>Ejecuta el modelo especificado, dejándolo listo para la interacción.<\/td><\/tr>
ollama pull< model><\/td>Descarga el modelo especificado en tu sistema.<\/td><\/tr>
ollama list<\/td>Enumera todos los modelos descargados.<\/td><\/tr>
ollama ps<\/td>Muestra los modelos que se están ejecutando actualmente.<\/td><\/tr>
ollama stop< model><\/td>Detiene el modelo en ejecución especificado.<\/td><\/tr>
ollama rm< model><\/td>Elimina el modelo especificado de tu sistema.<\/td><\/tr><\/tbody><\/table><\/figure>
Uso esencial de Ollama en la CLI<\/h2>
En esta sección se describe el uso principal de la CLI de Ollama, desde la interacción con los modelos hasta el almacenamiento de los resultados de los modelos en archivos.<\/p>
Ejecución de modelos<\/h3>
Para empezar a utilizar modelos en Ollama, primero debes descargar el modelo deseado con el comando pull<\/strong>. Por ejemplo, para descargar Llama 3.2<\/strong>, ejecuta lo siguiente:<\/p>
ollama pull llama3.2<\/pre>
Espera a que se complete la descarga; el tiempo puede variar en función del tamaño del archivo del modelo.<\/p>
\n                    
Consejo profesional<\/h4>\n                    
Si no estás seguro de qué modelo descargar, consulta la biblioteca oficial de modelos de Ollama<\/a>. Proporciona detalles importantes sobre cada modelo, incluidas las opciones de personalización, los idiomas compatibles y los casos de uso recomendados.<\/p>\n                <\/div><\/p>
Después de extraer el modelo, puedes ejecutarlo con un comando predefinido como este:<\/p>
ollama run llama3.2 \"Explain the basics of machine learning.\"<\/pre>
Este es el resultado esperado:<\/p>
\"Terminal<\/figure>
Como alternativa, ejecuta el modelo sin una solicitud para iniciar una sesión interactiva:<\/p>
ollama run llama3.2<\/pre>
En este modo, puedes introducir tus consultas o instrucciones y el modelo generará respuestas. También puedes hacer preguntas de seguimiento para obtener información más detallada o aclarar una respuesta anterior, como por ejemplo:<\/p>
¿Podría explicar con más detalle cómo se utiliza el aprendizaje automático en el sector sanitario?<\/pre>
Cuando hayas terminado de interactuar con el modelo, escribe:<\/p>
\/bye<\/pre>
Esto cerrará la sesión y te devolverá a la interfaz normal del terminal.<\/p>
\n                    
Consejo profesional<\/h4>\n                    
Aprende a crear indicaciones de IA efectivas<\/a> para mejorar tus resultados y tus interacciones con los modelos de Ollama.<\/p>\n                <\/div><\/p>
Entrenamiento de modelos<\/h3>
Aunque los modelos de código abierto preentrenados, como Llama 3.2<\/strong>, funcionan bien para tareas generales como la generación de contenido, es posible que no siempre satisfagan las necesidades de casos de uso específicos. Para mejorar la precisión de un modelo en un tema concreto, es necesario entrenarlo con datos relevantes.<\/p>
Sin embargo, ten en cuenta que estos modelos tienen limitaciones de memoria a corto plazo<\/strong>, lo que significa que los datos de entrenamiento solo se conservan durante la conversación activa. <\/p>
Cuando salgas de la sesión y comiences una nueva, el modelo no recordará la información con la que lo entrenaste anteriormente.<\/p>
Para entrenar el modelo, inicia una sesión interactiva. A continuación, inicia el entrenamiento escribiendo un mensaje como:<\/p>
Hola, quiero que aprendas sobre [tema]. ¿Puedo enseñarte?<\/pre>
El modelo responderá con algo como:<\/p>
\"Terminal<\/figure>
A continuación, puedes proporcionar información básica sobre el tema para ayudar al modelo a comprenderlo:<\/p>
\"Terminal<\/figure>
Para continuar con el entrenamiento y proporcionar más información, pide al modelo que te haga preguntas sobre el tema. Por ejemplo:<\/p>
¿Puedes hacerme algunas preguntas sobre [tema] para ayudarte a entenderlo mejor?<\/pre>
Una vez que el modelo tenga suficiente contexto sobre el tema, puedes finalizar la formación y comprobar si el modelo ha retenido estos conocimientos.<\/p>
\"Terminal<\/figure>
Solicitar y registrar respuestas en archivos<\/h3>
En Ollama, puedes pedir al modelo que realice tareas utilizando el contenido de un archivo, como resumir texto o analizar información. Esto es especialmente útil para documentos largos, ya que elimina la necesidad de copiar y pegar texto al dar instrucciones al modelo.<\/p>
Por ejemplo, si tienes un archivo llamado input.txt <\/strong>que contiene la información que deseas resumir, puedes ejecutar lo siguiente:<\/p>
ollama run llama3.2 \"Resuma el contenido de este archivo en 50 palabras.\" < input.txt<\/pre>
El modelo leerá el contenido del archivo y generará un resumen:<\/p>
\"Terminal<\/figure>
Ollama también te permite registrar las respuestas del modelo en un archivo, lo que facilita su revisión o perfeccionamiento posterior. A continuación se muestra un ejemplo de cómo hacer una pregunta al modelo y guardar el resultado en un archivo:<\/p>
ollama run llama3.2 \"Háblame de las energías renovables.\"> output.txt<\/pre>
Esto guardará la respuesta del modelo en output.txt<\/strong>:<\/p>
\"Terminal<\/figure>
Uso avanzado de Ollama en la CLI<\/h2>
Ahora que ya conoces los conceptos básicos, exploremos usos más avanzados de Ollama a través de la CLI.<\/p>
Creación de modelos personalizados<\/h3>
Al ejecutar Ollama a través de la CLI, puedes crear un modelo personalizado basado en tus necesidades específicas.<\/p>
Para ello, crea un archivo Modelfile, que es el plano de tu modelo personalizado. El archivo define ajustes clave como el modelo base, los parámetros que se deben ajustar y cómo responderá el modelo a las indicaciones.<\/p>
Sigue estos pasos para crear un modelo personalizado en Ollama:<\/p>
1. Crear un nuevo archivo Modelfile<\/strong><\/p>
Utiliza un editor de texto como nano<\/a> para crear un nuevo archivo Modelfile. En este ejemplo, llamaremos al archivo custom-modelfile<\/strong>:<\/p>
nano custom-modelfile<\/pre>
A continuación, copia y pega esta plantilla básica de archivo Modelfile, que personalizarás en el siguiente paso:<\/p>
# Use Llama 3.2 as the base model\n\nFROM llama3.2\n\n# Adjust model parameters\n\nPARAMETER temperature 0.7\n\nPARAMETER num_ctx 3072\n\nPARAMETER stop \"assistant:\"\n\n# Define model behavior\n\nSYSTEM \"Eres un experto en cyber seguridad.\"\n\n# Customize the conversation template\n\nTEMPLATE \"\"\"{{ if .System }}Advisor: {{ .System }}{{ end }}\n\nClient: {{ .Prompt }}\n\nAdvisor: {{ .Response }}\"\"\"<\/pre>
2. Personalizar el archivo Modelfile<\/strong><\/p>
Estos son los elementos clave que puedes personalizar en el archivo Modelfile:<\/p>