KDnuggets mostró cómo ejecutar Qwen3.5 en un portátil antiguo con Ollama y OpenCode

El 8 de abril, KDnuggets publicó un desglose práctico sobre cómo convertir un portátil antiguo en un espacio de trabajo AI local sin hardware costoso ni suscripciones a servicios en la nube. En el centro de la configuración — Qwen3.5 en la versión 4B, Ollama para la ejecución local de modelos, y OpenCode como un agente para trabajar con código directamente desde la terminal.

Por Qué Necesitas Esto

El punto principal del artículo es que las herramientas AI locales ya no requieren una estación de trabajo potente ni un servidor separado. El autor muestra que incluso un portátil antiguo puede usarse como un entorno privado para experimentos, codificación y verificaciones rápidas si utilizas un modelo abierto compacto y no complicas innecesariamente la pila de tecnologías. En este escenario, Qwen3.

5 4B se presenta como un compromiso razonable entre la calidad de las respuestas, la velocidad de operación y los requisitos de hardware. Al mismo tiempo, no se trata de reemplazar modelos insignia en la nube. Esta configuración sirve para un propósito diferente: dar a desarrolladores, estudiantes y entusiastas una forma económica de ejecutar AI localmente, evitar enviar archivos y prompts a servicios externos y probar rápidamente ideas en tu propio equipo.

Para código borrador, tareas educativas, scripts simples de terminal y pruebas pequeñas, esto ya es suficiente, aunque la calidad de las respuestas no siempre alcance el nivel de los mejores sistemas comerciales.

Cómo Funciona la Configuración

La pila básica consta de dos partes. Ollama se encarga de descargar, almacenar y ejecutar el modelo de lenguaje en un dispositivo local, mientras que OpenCode se conecta en la parte superior y lo transforma en una interfaz de agente más práctica para trabajar con código. El artículo utiliza la variante Qwen3.5:4B, que, según la evaluación del autor, típicamente requiere aproximadamente 3,5 GB de RAM. Exactamente por eso esta versión parece una opción realista para un portátil antiguo sin margen en tarjeta gráfica y memoria.

• instala Ollama en Windows, Linux o macOS
• si es necesario, inicia manualmente un servidor Ollama local
• descarga y abre el modelo Qwen3.5 4B a través de la terminal
• instala OpenCode mediante un script rápido
• ejecuta OpenCode con el modelo local ya conectado

Después de esto, el usuario obtiene una interfaz local donde el modelo puede ser solicitado para crear un proyecto, instalar dependencias o revisar código. Una ventaja separada de la guía es que mantiene una barrera de entrada baja: sin orquestración Docker, configuración manual de API ni largo montaje del entorno. Frente a muchos materiales sobre AI local, esto parece un escenario genuinamente práctico que puede replicarse en una tarde, no un proyecto de ingeniería separado que toma varios días.

Prueba en una Tarea Real

Para demostrar no solo la instalación sino la utilidad real de este enfoque, el autor encargó a la combinación Qwen3.5 y OpenCode crear desde cero un pequeño proyecto Python — un juego Guess the Word para la terminal. El agente tenía que generar la estructura del proyecto por sí solo, escribir el código, instalar dependencias y llevar la aplicación a un estado funcional.

Basándose en los resultados de la prueba, el sistema de hecho ensambló un juego funcional con lógica clara, seguimiento de puntuación y manejo correcto de caracteres de entrada — es decir, no era una escena de demostración decorativa, sino una ejecución local completa de una cadena de tareas. Al mismo tiempo, el artículo documenta honestamente las limitaciones. El modelo cuantizado compacto maneja bien el código básico, scripts simples, proyectos educativos y consultas de investigación, pero comienza a fallar cuando la tarea se vuelve más larga y requiere una planificación multietapa sostenida.

El autor señala específicamente que el modelo a veces se detenía a mitad del proceso, y entonces era necesario impulsarlo manualmente con el siguiente comando. Para experimentos, esto es tolerable, pero para un flujo de trabajo estable y diario, ya parece una limitación notable.

"A veces simplemente tenías que escribir 'continue' para lograr que

terminara la tarea."

Qué Significa Esto

La guía de KDnuggets demuestra un cambio importante: las combinaciones de agentes AI locales se están volviendo más baratas, simples y útiles en el desarrollo diario. Aún no reemplazan modelos en la nube fuertes, pero ya proporcionan una opción funcional para experimentos privados, aprendizaje, prototipos y pequeñas tarefas de ingeniería.