Continuamos explorando innovación en IA, software personalizado y trucos para optimizar procesos de desarrollo. Inspiración y conocimiento para profesionales y empresas.

Guía práctica para configurar el entorno y crear un chatbot RAG con Python, Streamlit, Groq, LLaMA, FAISS y VS Code. En este artículo encontrarás instrucciones paso a paso pensadas para principiantes en Windows, macOS o Linux, además de recomendaciones sobre despliegue y buenas prácticas. Esta solución es ideal para proyectos de software a medida y para empresas que desean incorporar inteligencia artificial y agentes IA en sus procesos.

He empezado a desarrollar RAFT-WAL, un proyecto educativo pero orientado a producción que combina tres componentes clave para aprender y experimentar con sistemas distribuidos reales.

Componentes principales: Write-Ahead Log WAL durable y append-only con políticas de CRC y fsync, Key-Value Store simple tipo LSM con snapshots, y Raft Consensus para replicación, elección de líder y aplicación de logs.

El objetivo es crear una base de código en Rust clara y bien documentada que facilite a desarrolladores y equipos entender conceptos de tolerancia a fallos, persistencia y consenso, y que sirva como laboratorio para pruebas y mejoras.

Lo que hay hasta ahora: estructura inicial del proyecto en Rust, notas de diseño para el WAL y primeras piezas conceptuales del almacén de claves y del motor de consenso.

Formas en las que puedes ayudar: implementar características del WAL como segmentos, CRC y recuperación; construir el KV store con memtable y snapshots; trabajar en Raft desde nodo único hasta clúster; añadir tests, documentación, diagramas o integración continua. Si te interesa contribuir, stars, feedback y pull requests son muy bienvenidos.

Esta semana apareció algo que merece atención inmediata: PromptLock, un prototipo de ransomware que opera sobre un modelo de IA local en lugar de llamar a ChatGPT mediante una API externa. El malware ejecuta un modelo local llamado gpt-oss:20b usando Ollama y le pide que genere código dinámico, por ejemplo scripts en Lua que escanean carpetas, filtran archivos, identifican información valiosa y proceden a cifrar o incluso exfiltrar datos.

La diferencia clave es que PromptLock no distribuye un script fijo, sino que invoca al modelo para que escriba y ajuste código en cada ejecución. El resultado es que el comportamiento cambia constantemente, lo que complica la detección por antivirus basados en firmas y convierte la respuesta en un juego de gato y ratón más complejo.

Por qué importa esto: es multiplataforma y puede afectar Windows, Linux y macOS; es adaptativo y modifica su comportamiento en cada corrida; y es local, por lo que no deja trazas evidentes de llamadas a APIs externas que faciliten el seguimiento. No es una amenaza generalizada para usuarios domésticos que no tengan grandes modelos locales, pero sí es una alerta para empresas, servidores, laboratorios de investigación y entornos donde se prueban modelos de IA locales.

Medidas prácticas que conviene reforzar: copias de seguridad verificadas y probadas para restauración; principios de mínimo privilegio evitando ejecutar tareas diarias con root o administrador; control y auditoría de scripts y procesos inesperados, por ejemplo la aparición repentina de archivos Lua; y priorizar soluciones de seguridad basadas en comportamiento frente a firmar antivirus tradicionales.

En perspectiva, lo más relevante no es demonizar la IA, sino reconocer que los atacantes ya tratan a los modelos de lenguaje como cadenas de herramientas que generan y afinan código a demanda. Eso reduce la necesidad de escribir malware perfecto y añade una capa de automatización peligrosa para entornos con modelos locales.

Durante años, cuando necesitaba ejecutar una aplicación como servicio de Windows, usaba sc.exe o NSSM. Ambas soluciones funcionan, pero tienen limitaciones que acaban siendo problemáticas en proyectos reales: sc.exe establece por defecto C:\Windows\System32 como carpeta de trabajo, lo que rompe las apps que dependen de rutas relativas o configuraciones locales; NSSM es ligero pero carece de monitorización avanzada, rotación de logs y solo ofrece una interfaz mínima; WinSW es configurable pero basa todo en XML y no resulta ágil para montajes rápidos. Tras toparme con estos problemas demasiadas veces, decidí crear Servy, una alternativa moderna y de código abierto diseñada para resolver estas carencias.

Objetivos principales de Servy: ser fácil de usar con una interfaz limpia y a la vez scriptable vía CLI para automatización; ser lo bastante flexible para ejecutar cualquier aplicación, ya sea Node.js, Python, .NET o scripts; ofrecer robustez con logging, rotación de logs, comprobaciones de salud, políticas de reinicio y recuperación integradas; y ser compatible con un amplio rango de versiones de Windows, desde Windows 7 hasta Windows 11 y ediciones Server.

Retos técnicos que abordamos: manejo correcto del directorio de trabajo para evitar hacks y problemas con rutas relativas; gestión de logs con redirección de stdout y stderr a archivos y rotación por tamaño para evitar un crecimiento descontrolado; monitorización de salud para permitir reinicios automáticos y recuperación ante fallos; y diseño de UI que equilibre simplicidad para usuarios ocasionales con opciones avanzadas para entornos profesionales.

El resultado es Servy, una herramienta open source que convierte cualquier ejecutable en un servicio nativo de Windows, combinando una interfaz gráfica moderna con una CLI potente para despliegues automatizados. Servy incluye funcionalidades como configuración de nombre, descripción, tipo de inicio, prioridad, carpeta de trabajo, variables de entorno y parámetros con expansión de variables, ejecución de pre-lanzamiento con reintentos y timeouts, redirección y rotación automática de logs, checks de salud y recuperación automática, gestión de cuentas de servicio local o de dominio, y exportación e importación de configuraciones.

Servy también incorpora mecanismos para evitar procesos huérfanos mediante una gestión de ciclo de vida mejorada y limpieza de recursos, notificaciones de eventos de servicio vía notificaciones de Windows y opciones de correo, además de una vista en tiempo real y filtros para buscar logs por nivel, fecha y palabras clave desde el gestor gráfico.

Instalación y uso: Servy se distribuye como instalador y también puede instalarse vía gestores de paquetes en Windows. Está pensado tanto para desarrolladores que necesitan una herramienta rápida y amigable como para equipos de operaciones que requieren automatización y trazabilidad en producción.

Deja de tratar tus archivos Blade como contenedores de basura. Las vistas de Laravel no son simples montones de HTML con lógica mezclada; son la cara visible de tu aplicación y merecen contratos claros, estructura y responsabilidad. Cuando un proyecto crece, las plantillas desordenadas se convierten en deuda técnica, dificultan pruebas, aumentan errores y ralentizan la entrega.

Qué significa dar contratos y estructura a Blade: especificar qué datos espera cada vista, mover la lógica fuera del template, y crear componentes reutilizables con responsabilidades bien definidas. En lugar de pasar arreglos enormes desde el controlador, usa DTOs o ViewModels que describan explícitamente los campos disponibles. Esto facilita el autocompletado, las pruebas y la refactorización.

Buenas prácticas esenciales

1. Contratos de datos: define clases simples que representen los datos que una vista necesita. Evita depender de arreglos asociativos anónimos. Un contrato claro reduce errores y hace más sencillo integrar cambios en modelos o servicios.

2. Componentes Blade y View Components: convierte fragmentos repetidos en componentes invocables. Los componentes encapsulan markup, lógica de presentación y atributos, promoviendo reutilización y pruebas aisladas.

3. View Composers y Proveedores: cuando varias vistas comparten la misma lógica de preparación de datos, usa View Composers o providers para centralizar esa preparación en vez de duplicarla en controladores.

4. Evita lógica de negocio en las vistas: toda regla compleja debe vivir en servicios, repositorios o en la capa de dominio. Las vistas solo deben formatear y mostrar datos ya preparados.

5. Directivas y helpers personalizados: crea directivas Blade para patrones repetidos de presentación. Mantén las directivas pequeñas y documentadas para que otros desarrolladores entiendan su propósito.

6. Pruebas de presentación: escribe pruebas que rendericen componentes y comprueben salidas clave. Los contratos de datos facilitan pruebas unitarias y de integración más deterministas.

7. Documentación y convenciones: establece guías de estilo para tus plantillas. Un repositorio con convenciones claras reduce el tiempo de incorporación de nuevos desarrolladores.

Beneficios prácticos

Mejor mantenibilidad, despliegues más seguros, capacidad de escalar equipos y menor tiempo para añadir nuevas funcionalidades. Además, facilita la adopción de patrones avanzados como SSR, caching de fragmentos o migración a micro frontends cuando sea necesario.

Cómo lo hacemos en Q2BSTUDIO

En Q2BSTUDIO aplicamos estas prácticas cuando desarrollamos proyectos de aplicaciones a medida y software a medida. Diseñamos arquitecturas donde las vistas tienen contratos explícitos, creamos componentes reutilizables y separamos responsabilidades para acelerar el desarrollo y reducir errores. Si buscas acelerar tu producto sin sacrificar calidad, podemos ayudarte con soluciones robustas de frontend y backend y con la integración de pipelines de CI/CD.

Servicios relacionados

Si alguna vez abriste un proyecto de Blender y tu modelo apareció cubierto de un color rosa o magenta no te alarmes, es un problema habitual y fácil de solucionar. En Blender ese color indica que el programa no encuentra la textura vinculada al material.

Por qué aparece el rosa: normalmente sucede cuando has movido o borrado el archivo de imagen, cuando el archivo .blend se ha abierto en otro equipo sin las texturas, o cuando las rutas a los archivos son absolutas y ya no son válidas.

Paso a paso para solucionar texturas rosas:

1 Reenlazar la textura manualmente
Abre el Editor de Sombras Shader Editor, localiza el nodo Image Texture que muestra una vista previa rosa o Missing y pulsa el icono de carpeta para buscar y seleccionar la imagen faltante. Repite en todos los nodos Image Texture necesarios. Si usas texturas de Poliigon asegúrate de haber descargado la resolución y el set correctos.

2 Usar Encontrar archivos faltantes
Si faltan muchas texturas usa File / External Data / Find Missing Files y elige la carpeta donde están tus texturas. Blender buscará y volverá a enlazarlas. Como buena práctica reúne todas las texturas en una carpeta central o en un subdirectorio textures dentro del proyecto.

3 Usar rutas relativas
Si mueves el proyecto entre equipos o usas almacenamiento en la nube, las rutas absolutas se rompen. Cambia a rutas relativas con File / External Data / Make All Paths Relative para que Blender busque las imágenes según la ubicación del .blend.

4 Empaquetar recursos en el archivo .blend
Para evitar problemas al enviar proyectos o renderizar en otra máquina puedes incrustar las texturas en el .blend con File / External Data / Pack Resources. Esto aumenta el tamaño del archivo pero garantiza que no falte ninguna textura al transferir o subir el proyecto.

Consejos adicionales para no perder texturas: mantén el .blend, texturas y HDRIs en una misma carpeta padre, no renombres archivos de imagen después de asignarlos en Blender y conserva la estructura de carpetas al descargar assets.

Preparación para render en granjas y nube: antes de subir a un servicio de render o a un servidor de renderizado remoto comprueba Find Missing Files y empaqueta recursos si procede. Servicios de render como iRender requieren que el .blend esté completo para evitar sorpresas rosas en el resultado final.

Sobre Q2BSTUDIO: somos una empresa de desarrollo de software y aplicaciones a medida especializada en soluciones de alto valor como software a medida, aplicaciones a medida, inteligencia artificial e IA para empresas, ciberseguridad y servicios cloud. Ofrecemos apoyo integral para proyectos 3D y pipelines de renderizado, y podemos ayudarte a automatizar procesos de exportación y empaquetado para que tus proyectos Blender sean reproducibles y fiables.

SafeLine WAF es conocido por muchos desarrolladores como un firewall de aplicaciones web gratuito y autohospedado, pero tiene un poder oculto poco comentado: gracias a su núcleo Tengine, un fork de Nginx, también puede actuar como balanceador de carga con conmutación automática por error. Esto significa que además de ofrecer protección multi WAF sin coste adicional, puede mejorar la disponibilidad y la distribución de tráfico sin añadir infraestructura extra.

1. Preparación de servidores HTTP de prueba Para validar el enfoque creamos dos servidores HTTP básicos que exponen una ruta /status que responde siempre 200 OK y una ruta /hello para identificar el backend. Ejecutamos una instancia en el puerto 8001 y otra en el puerto 8002 para simular dos servicios detrás del WAF.

2. Configuración inicial de SafeLine WAF Desde la interfaz de administración de SafeLine se crea un nuevo sitio y se apunta el upstream a uno de los servidores de prueba, por ejemplo el puerto 8001. Tras unos envíos de prueba las peticiones deben llegar correctamente al primer servidor.

3. Modificar la configuración interna de Nginx en SafeLine Para habilitar balanceo de carga con comprobaciones de salud hay que editar la configuración que SafeLine genera en el contenedor. El archivo por sitio se encuentra en /data/safeline/resources/nginx/sites-enabled y suele llamarse IF_backend_*.conf. Localice el fichero correspondiente al sitio objetivo, abra el bloque upstream y añada ambas direcciones backend 8001 y 8002 además de la directiva necesaria para activar las health checks del upstream.

4. Validación y recarga de Nginx Compruebe la sintaxis de la configuración usando docker exec safeline-tengine nginx -t y, si todo es válido, aplique los cambios con docker exec safeline-tengine nginx -s reload para que Tengine comience a balancear según la nueva definición.

5. Pruebas de balanceo y conmutación Con pesos iguales SafeLine distribuirá el tráfico entre los backends en 8001 y 8002. Para probar la conmutación por error detenga el servicio en 8002; todo el tráfico debe redirigirse automáticamente a 8001, demostrando que la lógica de failover funciona correctamente.

Conclusión: SafeLine no solo bloquea ataques, también permite construir una arquitectura más resiliente. Con pequeños ajustes en su Nginx incorporado se obtiene protección multi WAF, balanceo de carga y conmutación por error de forma nativa. Si ya utiliza SafeLine, puede convertirlo en una herramienta DevOps escondida dentro de su stack sin costes adicionales.

En Q2BSTUDIO somos una empresa de desarrollo de software especializada en soluciones a medida. Ofrecemos servicios integrales que abarcan desde aplicaciones a medida y software a medida hasta proyectos de inteligencia artificial y ciberseguridad. Nuestro equipo puede ayudarle a integrar WAFs como SafeLine en arquitecturas complejas, automatizar despliegues y diseñar estrategias de alta disponibilidad y recuperación ante fallos.

El trabajo remoto en tecnología se ha consolidado y ofrece salarios que compiten con Silicon Valley sin el coste de vida asociado. Hoy en d?a, los desarrolladores remotos pueden ganar desde 69 000 hasta 367 000 anuales dependiendo del rol y la especializaci?n. A continuaci?n presentamos los 11 puestos de programaci?n remotos mejor pagados en 2025, con sus rangos salariales, responsabilidades clave y habilidades demandadas.

1. Ingeniero de Machine Learning (190K - 367K) Construyen sistemas de IA que aprenden y mejoran. Dise?an algoritmos, implementan modelos y los llevan a producci?n. Habilidades: Python, TensorFlow, PyTorch, estad?stica, ?lgebra lineal, plataformas cloud. Por qu? paga tanto: la fiebre por la IA requiere talento que combine investigaci?n y despliegue. Pro tip: especializaci?n en MLOps marca la diferencia.

2. Site Reliability Engineer SRE (156K - 240K) Garantizan que las aplicaciones sean fiables y escalables, automatizan operaciones y resuelven problemas de infraestructura complejos. Habilidades: administraci?n Linux, herramientas de automatizaci?n, monitorizaci?n, Python o Go. Por qu? paga tanto: evitan ca?das costosas y mantienen la continuidad del negocio.

3. Desarrollador Salesforce (135K - 248K) Personalizan la plataforma CRM l?der, construyen aplicaciones a medida y conectan servicios externos. Habilidades: Apex, Lightning, Visualforce, certificaciones Salesforce, integraciones API. Por qu? paga tanto: la demanda de desarrollos sobre Salesforce y la escasez de profesionales certificados elevan los salarios.

4. Ingeniero DevOps (110K - 198K) Optimiza procesos de desarrollo y despliegue, aplica Infrastructure as Code y gestiona pipelines CI CD. Habilidades: Docker, Kubernetes, Terraform, Jenkins, servicios cloud. Por qu? paga tanto: acelera la entrega de valor y reduce tiempos de recuperaci?n ante errores.

5. Desarrollador Full Stack (95K - 210K) Maneja front end y back end para crear aplicaciones completas. Habilidades: frameworks JavaScript como React o Vue, Node.js o Python en back end, bases de datos, APIs REST. Por qu? paga tanto: su versatilidad es ideal para equipos peque?os y startups.

6. Desarrollador Python (135K - 186K) Construye aplicaciones, servicios y herramientas con Python. Habilidades: Django, Flask, FastAPI, bibliotecas de datos como Pandas y NumPy, pruebas con pytest. Por qu? paga tanto: Python se usa en sectores diversos desde fintech hasta salud, aumentando su demanda.

7. Desarrollador iOS (104K - 187K) Crea aplicaciones nativas para iPhone y iPad siguiendo gu?as de Apple. Habilidades: Swift, Xcode, UIKit y SwiftUI, publicaci?n en App Store. Por qu? paga tanto: los usuarios iOS suelen generar mayores ingresos por app, lo que hace la especializaci?n rentable.

8. Desarrollador Android (104K - 187K) Desarrolla apps para el amplio ecosistema Android, optimizando compatibilidad y rendimiento. Habilidades: Kotlin o Java, Android Studio, SDK Android, principios de Material Design. Por qu? paga tanto: Android domina la cuota global y las empresas necesitan llegar a audiencias masivas.

9. Ingeniero de Software (90K - 198K) Dise?a, desarrolla y mantiene aplicaciones, aplicando patrones de dise?o y buenas pr?cticas de testing. Habilidades: varios lenguajes, pruebas, depuraci?n y colaboraci?n. Por qu? paga tanto: son el pilar de cualquier compañ?a tech y su capacidad de resolver problemas aporta valor directo.

10. Ingeniero de Datos (69K - 191K) Construye la infraestructura para procesamiento y almacenamiento de datos, dise?a pipelines ETL y soporta modelos de machine learning. Habilidades: SQL, Spark, Hadoop, plataformas cloud y data warehouses. Por qu? paga tanto: las organizaciones quieren ser data driven y necesitan infraestructuras robustas.

11. Desarrollador Backend (85K - 180K) Se enfoca en la l?gica del servidor, APIs, bases de datos y escalabilidad. Habilidades: lenguajes server side, optimizaci?n de bases de datos, dise?o de APIs seguras y rendimiento. Por qu? paga tanto: un backend eficiente sostiene aplicaciones completas y mejora la experiencia de usuario.

Entrar en estos puestos exige habilidades t?cnicas y tambi?n preparaci?n para trabajar en remoto: comunicaci?n as?ncrona, gesti?n del tiempo y buena documentaci?n. Muchos profesionales aceleran su carrera con formaci?n especializada, proyectos reales y certificaciones en la nube.

El operador LIKE en SQL permite filtrar datos de texto usando patrones sencillos y es ideal cuando buscas coincidencias parciales en lugar de exactas, por ejemplo al consultar nombres, correos o direcciones para hacer búsquedas más flexibles.

Cómo funciona: la forma básica es SELECT * FROM tabla WHERE columna LIKE patron ; Los comodines principales son % para varios caracteres y _ para un solo carácter, por ejemplo %data% contiene data, A% empieza con A, ____ tiene exactamente 4 caracteres.

Ejemplos prácticos: 1) Coincidencia de correo: SELECT * FROM users WHERE email LIKE %@gmail.com ; 2) Nombre que comienza por A: SELECT * FROM employees WHERE first_name LIKE A% ; 3) Contiene palabra: SELECT * FROM articles WHERE content LIKE %error% ; 4) Longitud fija: SELECT * FROM codes WHERE code LIKE ____ ;

Buenas prácticas: evita comodines al inicio como %abc para permitir el uso de índices; utiliza patrones dirigidos y enumera condiciones cuando sea posible; combina LIKE con LENGTH() o SUBSTRING() para control adicional; ten en cuenta sensibilidad a mayúsculas y configuraciones de collation; revisa índices y planes EXPLAIN al optimizar consultas.

Preguntas frecuentes: ¿Puede LIKE trabajar con varios valores? Sí, usando OR o LIKE ANY en PostgreSQL. ¿Puedo usar LIKE en números? Sí, si el motor trata los números como cadenas. ¿Es lento LIKE? Puede serlo especialmente con comodines iniciales %abc; usa índices y patrones dirigidos. ¿Es sensible a mayúsculas? Depende de la collation; normaliza con LOWER() si hace falta. ¿Puede LIKE usar expresiones regulares? No; para patrones avanzados usa SIMILAR TO o funciones regex del SGBD.