{"id":2485,"date":"2026-08-30T20:13:51","date_gmt":"2026-08-30T20:13:51","guid":{"rendered":"https:\/\/convly.ai\/?p=2485"},"modified":"2026-08-30T20:13:51","modified_gmt":"2026-08-30T20:13:51","slug":"ollama-local-ai","status":"publish","type":"post","link":"https:\/\/convly.ai\/es\/ollama-local-ai\/","title":{"rendered":"Ollama Local AI: Gu\u00eda completa de configuraci\u00f3n y requisitos de modelos"},"content":{"rendered":"<div class=\"convly-tldr\"><strong>En resumen<\/strong><\/p>\n<ul>\n<li>Ollama te permite ejecutar modelos de IA como Llama, Mistral y Gemma localmente mediante una \u00fanica herramienta de l\u00ednea de comandos<\/li>\n<li>Instala en segundos: <code>curl https:\/\/ollama.com\/install.sh | sh<\/code> (Linux\/macOS) o descarga el instalador de Windows<\/li>\n<li>Los modelos de nivel b\u00e1sico necesitan 4-8 GB de VRAM; los modelos de 70B de nivel producci\u00f3n necesitan ~40 GB de VRAM a cuantizaci\u00f3n de 4 bits<\/li>\n<li>Punto de equilibrio frente a APIs en la nube: ~500K tokens\/mes para un modelo de 70B, menos para modelos m\u00e1s peque\u00f1os<\/li>\n<\/ul>\n<\/div>\n<p>Ollama is a command-line tool that packages AI language models into containers you can run on your own hardware. Instead of sending prompts to OpenAI, Anthropic, or Google and paying per token, you download a model once\u2014Llama 3.3 70B, Mistral 7B, Phi-4, or any of <a href=\"https:\/\/convly.ai\/es\/ollama-models-list-2026\/\">docenas de modelos compatibles<\/a>\u2014e la inferencia se ejecuta completamente en tu GPU o CPU. Mantienes tus datos locales, no pagas nada por solicitud despu\u00e9s del costo inicial del hardware, y retienes control total sobre el comportamiento del modelo y la disponibilidad.<\/p>\n<p>La contrapartida es el hardware: necesitas suficiente VRAM para sostener el modelo. Un modelo de 7B par\u00e1metros cuantizado a 4 bits requiere alrededor de 4-5 GB de memoria GPU, que cabe en una RTX 4060 consumer. Un modelo de 70B necesita aproximadamente 40 GB a 4 bits, requiriendo una tarjeta de workstation como la RTX 6000 Ada o configuraci\u00f3n multi-GPU. El <a href=\"https:\/\/convly.ai\/es\/llm-vram-calculator\/\">Calculadora de VRAM<\/a> muestra requisitos exactos para cualquier tama\u00f1o de modelo y nivel de cuantizaci\u00f3n.<\/p>\n<div id=\"ez-toc-container\" class=\"ez-toc-v2_0_88 counter-flat ez-toc-counter ez-toc-container-direction\">\n<label for=\"ez-toc-cssicon-toggle-item-6ad03081222bd\" class=\"ez-toc-cssicon-toggle-label\"><span class=\"\"><span class=\"eztoc-hide\" style=\"display:none;\">Alternar<\/span><span class=\"ez-toc-icon-toggle-span\"><svg style=\"fill: #000000;color:#000000\" xmlns=\"http:\/\/www.w3.org\/2000\/svg\" class=\"list-377408\" width=\"20px\" height=\"20px\" viewbox=\"0 0 24 24\" fill=\"none\"><path d=\"M6 6H4v2h2V6zm14 0H8v2h12V6zM4 11h2v2H4v-2zm16 0H8v2h12v-2zM4 16h2v2H4v-2zm16 0H8v2h12v-2z\" fill=\"currentColor\"><\/path><\/svg><svg style=\"fill: #000000;color:#000000\" class=\"arrow-unsorted-368013\" xmlns=\"http:\/\/www.w3.org\/2000\/svg\" width=\"10px\" height=\"10px\" viewbox=\"0 0 24 24\" version=\"1.2\" baseprofile=\"tiny\"><path d=\"M18.2 9.3l-6.2-6.3-6.2 6.3c-.2.2-.3.4-.3.7s.1.5.3.7c.2.2.4.3.7.3h11c.3 0 .5-.1.7-.3.2-.2.3-.5.3-.7s-.1-.5-.3-.7zM5.8 14.7l6.2 6.3 6.2-6.3c.2-.2.3-.5.3-.7s-.1-.5-.3-.7c-.2-.2-.4-.3-.7-.3h-11c-.3 0-.5.1-.7.3-.2.2-.3.5-.3.7s.1.5.3.7z\"\/><\/svg><\/span><\/span><\/label><input type=\"checkbox\"  id=\"ez-toc-cssicon-toggle-item-6ad03081222bd\"  aria-label=\"Alternar\" \/><nav><ul class='ez-toc-list ez-toc-list-level-1' ><li class='ez-toc-page-1'><a class=\"ez-toc-link ez-toc-heading-1\" href=\"https:\/\/convly.ai\/es\/ollama-local-ai\/#Installing_Ollama\" >Instalando Ollama<\/a><\/li><li class='ez-toc-page-1'><a class=\"ez-toc-link ez-toc-heading-2\" href=\"https:\/\/convly.ai\/es\/ollama-local-ai\/#Running_Your_First_Model\" >Ejecutando tu primer modelo<\/a><\/li><li class='ez-toc-page-1'><a class=\"ez-toc-link ez-toc-heading-3\" href=\"https:\/\/convly.ai\/es\/ollama-local-ai\/#Model_Selection_and_VRAM_Requirements\" >Selecci\u00f3n de Modelos y Requisitos de VRAM<\/a><\/li><li class='ez-toc-page-1'><a class=\"ez-toc-link ez-toc-heading-4\" href=\"https:\/\/convly.ai\/es\/ollama-local-ai\/#Common_Commands_and_Configuration\" >Comandos Comunes y Configuraci\u00f3n<\/a><\/li><li class='ez-toc-page-1'><a class=\"ez-toc-link ez-toc-heading-5\" href=\"https:\/\/convly.ai\/es\/ollama-local-ai\/#Hardware_Requirements\" >Requisitos de Hardware<\/a><\/li><li class='ez-toc-page-1'><a class=\"ez-toc-link ez-toc-heading-6\" href=\"https:\/\/convly.ai\/es\/ollama-local-ai\/#Cost_Comparison_Local_vs_API\" >Comparaci\u00f3n de Costos: Local vs API<\/a><\/li><li class='ez-toc-page-1'><a class=\"ez-toc-link ez-toc-heading-7\" href=\"https:\/\/convly.ai\/es\/ollama-local-ai\/#Frequently_Asked_Questions\" >Preguntas Frecuentes<\/a><\/li><\/ul><\/nav><\/div>\n<h2><span class=\"ez-toc-section\" id=\"Installing_Ollama\"><\/span>Instalando Ollama<span class=\"ez-toc-section-end\"><\/span><\/h2>\n<h3>Linux<\/h3>\n<p>Ejecuta el script de instalaci\u00f3n oficial, que detecta tu distribuci\u00f3n y configura el <code>ollama<\/code> servicio:<\/p>\n<pre>curl -fsSL https:\/\/ollama.com\/install.sh | sh<\/pre>\n<p>Esto instala el binario en <code>\/usr\/local\/bin\/ollama<\/code> y registra un servicio systemd. El servicio se inicia autom\u00e1ticamente y sobrevive reinicios. Para verificar:<\/p>\n<pre>ollama --version<\/pre>\n<p>Si est\u00e1s detr\u00e1s de un proxy corporativo o necesitas instalaci\u00f3n manual, descarga el binario directamente desde <a href=\"https:\/\/github.com\/ollama\/ollama\/releases\" rel=\"noopener\" target=\"_blank\">GitHub releases<\/a> y col\u00f3calo en tu <code>PATH<\/code>.<\/p>\n<h3>macOS<\/h3>\n<p>Descargue el <code>.dmg<\/code> instalador desde <a href=\"https:\/\/ollama.com\/download\" rel=\"noopener\" target=\"_blank\">ollama.com\/download<\/a>, \u00e1brelo y arrastra Ollama a Aplicaciones. La app de barra de men\u00fa inicia el servidor local en <code>localhost:11434<\/code>. Para usar Ollama desde Terminal:<\/p>\n<pre>ollama --version<\/pre>\n<p>macOS users on Apple Silicon (M1\/M2\/M3\/M4) can run models using unified memory instead of discrete VRAM. A Mac Studio with 192 GB unified memory can serve a Llama 4 Maverick (240 GB at 4-bit) by swapping to disk, though inference speed drops significantly when exceeding physical RAM.<\/p>\n<h3>Windows<\/h3>\n<p>Descargue el <code>OllamaSetup.exe<\/code> instalador desde <a href=\"https:\/\/ollama.com\/download\" rel=\"noopener\" target=\"_blank\">ollama.com\/download<\/a> y ejec\u00fatalo. El instalador a\u00f1ade <code>ollama.exe<\/code> a tu PATH e inicia el servicio de fondo. Abre PowerShell o Command Prompt y verifica:<\/p>\n<pre>ollama --version<\/pre>\n<p>Windows Subsystem for Linux (WSL2) con paso de GPU es compatible: instala Ollama dentro de tu distribuci\u00f3n WSL2 siguiendo las instrucciones de Linux, y aseg\u00farate de tener drivers NVIDIA CUDA instalados en el host de Windows.<\/p>\n<h2><span class=\"ez-toc-section\" id=\"Running_Your_First_Model\"><\/span>Ejecutando tu primer modelo<span class=\"ez-toc-section-end\"><\/span><\/h2>\n<p>Descarga y ejecuta Llama 3.1 8B, un modelo de seguimiento de instrucciones capaz que cabe en 5 GB de VRAM:<\/p>\n<pre>ollama run llama3.1:8b<\/pre>\n<p>Ollama descarga el modelo (aproximadamente 4,7 GB) a <code>~\/.ollama\/models<\/code> (Linux\/macOS) o <code>%USERPROFILE%\\.ollama\\models<\/code> (Windows), lo carga en memoria y te lleva a un prompt interactivo. Escribe un mensaje, presiona Enter, y el modelo genera una respuesta localmente. Presiona <code>Ctrl+D<\/code> o escribe <code>\/adios<\/code> para salir.<\/p>\n<p>Para ejecutar un modelo en segundo plano y consultarlo v\u00eda API:<\/p>\n<pre>ollama serve<\/pre>\n<p>Esto inicia un servidor en <code>http:\/\/localhost:11434<\/code>. En otra terminal:<\/p>\n<pre>curl http:\/\/localhost:11434\/api\/generate -d '{\n  \"model\": \"llama3.1:8b\",\n  \"prompt\": \"Explain TCP congestion control\",\n  \"stream\": false\n}'<\/pre>\n<p>La respuesta viene en JSON con la finalizaci\u00f3n completa en el campo <code>response<\/code> .<\/p>\n<h2><span class=\"ez-toc-section\" id=\"Model_Selection_and_VRAM_Requirements\"><\/span>Selecci\u00f3n de Modelos y Requisitos de VRAM<span class=\"ez-toc-section-end\"><\/span><\/h2>\n<p>Ollama soporta modelos de peso abierto de Meta, Mistral AI, Microsoft, Google, Alibaba y otros. La tabla abajo muestra opciones populares y su huella de memoria a cuantizaci\u00f3n de 4 bits, tomada de la <a href=\"https:\/\/convly.ai\/es\/vram-requirements-every-major-llm-2026\/\">base de datos de requisitos de VRAM<\/a>:<\/p>\n<table>\n<thead>\n<tr>\n<th>Modelo<\/th>\n<th>Par\u00e1metros<\/th>\n<th>Longitud del contexto<\/th>\n<th>VRAM en 4 bits<\/th>\n<th>Caso de Uso<\/th>\n<\/tr>\n<\/thead>\n<tbody>\n<tr>\n<td>Llama 3.1 8B<\/td>\n<td>8B<\/td>\n<td>128 K<\/td>\n<td>~5 GB<\/td>\n<td>Seguimiento general de instrucciones, cabe en GPUs consumer<\/td>\n<\/tr>\n<tr>\n<td>Mistral 7B<\/td>\n<td>7B<\/td>\n<td>32K<\/td>\n<td>~4,5 GB<\/td>\n<td>Inferencia r\u00e1pida, buena generaci\u00f3n de c\u00f3digo<\/td>\n<\/tr>\n<tr>\n<td>Phi-4<\/td>\n<td>14B<\/td>\n<td>16K<\/td>\n<td>~9 GB<\/td>\n<td>Razonamiento y matem\u00e1ticas, eficiente para su tama\u00f1o<\/td>\n<\/tr>\n<tr>\n<td>Mistral NeMo 12B<\/td>\n<td>12B<\/td>\n<td>128 K<\/td>\n<td>~7,5 GB<\/td>\n<td>Tareas de contexto largo, multiling\u00fce<\/td>\n<\/tr>\n<tr>\n<td>Qwen3 8B<\/td>\n<td>8B<\/td>\n<td>128 K<\/td>\n<td>~5 GB<\/td>\n<td>Fuerte multiling\u00fce, competitivo con modelos m\u00e1s grandes<\/td>\n<\/tr>\n<tr>\n<td>Gemma 3 4B<\/td>\n<td>4 mil millones<\/td>\n<td>128 K<\/td>\n<td>~3 GB<\/td>\n<td>Modelo m\u00e1s peque\u00f1o viable, se ejecuta en GPUs integradas<\/td>\n<\/tr>\n<tr>\n<td>Llama 3.3 70B<\/td>\n<td>70B<\/td>\n<td>128 K<\/td>\n<td>~40 GB<\/td>\n<td>Razonamiento de nivel producci\u00f3n, equiparable a GPT-4<\/td>\n<\/tr>\n<tr>\n<td>DeepSeek R1 Distill Llama 70B<\/td>\n<td>70B<\/td>\n<td>128 K<\/td>\n<td>~40 GB<\/td>\n<td>Modelo de razonamiento destilado, desempe\u00f1o fuerte en STEM<\/td>\n<\/tr>\n<\/tbody>\n<\/table>\n<p>Para listar todos los modelos disponibles en tu sistema:<\/p>\n<pre>ollama list<\/pre>\n<p>Para eliminar un modelo y liberar espacio en disco:<\/p>\n<pre>ollama rm llama3.1:8b<\/pre>\n<p>Las etiquetas de modelo siguen el formato <code>nombre:tama\u00f1o<\/code> o <code>nombre:versi\u00f3n<\/code>. Omitir la etiqueta predetermina a <code>:latest<\/code>. Consulta el cat\u00e1logo completo en <a href=\"https:\/\/convly.ai\/es\/best-local-llms-to-run-on-ollama-2026\/\">mejores LLMs locales para Ollama<\/a>.<\/p>\n<h2><span class=\"ez-toc-section\" id=\"Common_Commands_and_Configuration\"><\/span>Comandos Comunes y Configuraci\u00f3n<span class=\"ez-toc-section-end\"><\/span><\/h2>\n<p>Ejecuta un modelo con par\u00e1metros personalizados:<\/p>\n<pre>ollama run llama3.1:8b --temperature 0.7 --top-p 0.9<\/pre>\n<p>Pasa un prompt directamente sin entrar en modo interactivo:<\/p>\n<pre>ollama run llama3.1:8b \"Write a Python function to parse ISO 8601 dates\"<\/pre>\n<p>Carga un modelo en memoria sin solicitar entrada (\u00fatil para precalentamiento antes de servir solicitudes):<\/p>\n<pre>ollama pull llama3.1:8b<\/pre>\n<p>Verifica qu\u00e9 modelos est\u00e1n actualmente cargados en VRAM:<\/p>\n<pre>ollama ps<\/pre>\n<p>Establece el n\u00famero de capas de GPU a descargar (\u00fatil para descarga parcial a GPU cuando VRAM es limitada):<\/p>\n<pre>OLLAMA_NUM_GPU=35 ollama run llama3.3:70b<\/pre>\n<p>Por defecto, Ollama descarga todas las capas a GPU. Reducir <code>OLLAMA_NUM_GPU<\/code> mantiene algunas capas en CPU, intercambiando velocidad por menor uso de VRAM. Un modelo de 70B con 20 capas en GPU podr\u00eda necesitar solo 20 GB de VRAM pero ejecutarse 3-5\u00d7 m\u00e1s lentamente.<\/p>\n<p>Para cambiar el directorio de almacenamiento del modelo, establece <code>OLLAMA_MODELS<\/code> antes de ejecutar:<\/p>\n<pre>export OLLAMA_MODELS=\/mnt\/nvme\/ollama_models\nollama pull llama3.1:8b<\/pre>\n<p>Ollama usa archivos mapeados en memoria, por lo que los modelos se cargan m\u00e1s r\u00e1pido desde NVMe que desde SSD SATA. Espera 10-15 segundos para cargar un modelo de 8B en un sistema moderno, 60-90 segundos para un modelo de 70B.<\/p>\n<h2><span class=\"ez-toc-section\" id=\"Hardware_Requirements\"><\/span>Requisitos de Hardware<span class=\"ez-toc-section-end\"><\/span><\/h2>\n<p>El factor limitante es VRAM, no la capacidad de c\u00f3mputo. Un modelo de 70B cuantizado a 4 bits necesita 40 GB de memoria GPU pero se ejecuta adecuadamente en arquitecturas de generaci\u00f3n anterior. Un RTX 3090 (24 GB) puede servir dos modelos de 8B o un modelo de 30B. Un RTX 4090 (24 GB) maneja lo mismo con 30-40% m\u00e1s rendimiento gracias a los n\u00facleos tensores mejorados de Ada Lovelace.<\/p>\n<p>GPUs recomendadas por presupuesto:<\/p>\n<ul>\n<li><strong>Entrada ($300-500):<\/strong> RTX 4060 Ti 16 GB maneja modelos de 8B y 12B<\/li>\n<li><strong>Prosumer ($1000-1500):<\/strong> RTX 4090 o A4000 Ada ejecuta modelos de 30B c\u00f3modamente<\/li>\n<li><strong>Estaci\u00f3n de trabajo ($4000-7000):<\/strong> RTX 6000 Ada (48 GB) o dual RTX 4090 para modelos de 70B<\/li>\n<li><strong>Servicio multimodelo ($10K+):<\/strong> A100 80GB o H100 80GB para ejecutar m\u00faltiples instancias de 70B<\/li>\n<\/ul>\n<p>Consulta el <a href=\"https:\/\/convly.ai\/es\/best-gpus-for-local-llms-2026\/\">Gu\u00eda de compra de GPU<\/a> para comparaciones detalladas. Los usuarios de Apple Silicon se benefician de memoria unificada: un M2 Ultra con 192 GB puede ejecutar modelos que requerir\u00edan una configuraci\u00f3n NVIDIA de $25K, aunque el rendimiento de tokens es 2-3\u00d7 menor que un A100.<\/p>\n<h2><span class=\"ez-toc-section\" id=\"Cost_Comparison_Local_vs_API\"><\/span>Comparaci\u00f3n de Costos: Local vs API<span class=\"ez-toc-section-end\"><\/span><\/h2>\n<p>Las APIs en la nube cobran por token. <a href=\"https:\/\/convly.ai\/es\/models\/\">Claude Sonnet 5<\/a> cuesta $2,00 por mill\u00f3n de tokens de entrada y $10,00 por mill\u00f3n de tokens de salida. Una sesi\u00f3n t\u00edpica de asistente de codificaci\u00f3n genera 500K tokens por mes (250K entrada, 250K salida), costando $3,000 anuales.<\/p>\n<p>Un modelo Llama 3.3 70B alojado localmente en una estaci\u00f3n de trabajo de $6,000 (RTX 6000 Ada) tiene costo marginal cero despu\u00e9s del hardware. El punto de equilibrio es aproximadamente 500K tokens por mes. Por debajo de eso, las APIs son m\u00e1s baratas; por encima, la inferencia local gana. Usa el <a href=\"https:\/\/convly.ai\/es\/self-hosting-vs-api-calculator\/\">calculadora de autohospedaje<\/a> para modelar su carga de trabajo espec\u00edfica.<\/p>\n<p>Los modelos m\u00e1s peque\u00f1os se equilibran m\u00e1s r\u00e1pido. Un modelo de 8B en un RTX 4060 Ti de $500 se amortiza en 3-4 meses comparado con APIs en la nube a uso moderado (100K tokens\/mes). La ventaja es la privacidad: tu c\u00f3digo, documentos y datos internos nunca salen de tu red.<\/p>\n<h2><span class=\"ez-toc-section\" id=\"Frequently_Asked_Questions\"><\/span>Preguntas Frecuentes<span class=\"ez-toc-section-end\"><\/span><\/h2>\n<h3>\u00bfPuede Ollama ejecutar modelos solo en CPU?<\/h3>\n<p>S\u00ed, pero la inferencia es 10-50\u00d7 m\u00e1s lenta dependiendo del tama\u00f1o del modelo. Un modelo de 8B genera 1-3 tokens por segundo en un Ryzen o Intel moderno, comparado con 40-80 tokens\/seg en un RTX 4090. Establece <code>OLLAMA_NUM_GPU=0<\/code> para forzar modo solo CPU. Pr\u00e1ctico para procesamiento por lotes o uso de bajo tr\u00e1fico, inutilizable para chat interactivo.<\/p>\n<h3>\u00bfC\u00f3mo afecta la cuantizaci\u00f3n a la calidad?<\/h3>\n<p>La cuantizaci\u00f3n de 4 bits reduce el tama\u00f1o del modelo en un 75% con p\u00e9rdida m\u00ednima de calidad\u2014los benchmarks muestran degradaci\u00f3n de precisi\u00f3n del 1-3% en MMLU y HumanEval comparado con FP16. La cuantizaci\u00f3n de 3 bits (Q3) reduce a\u00fan m\u00e1s el tama\u00f1o pero degrada notablemente el razonamiento e instrucciones. Ollama predetermina a Q4_0, que equilibra calidad y VRAM. Puedes descargar versiones de 8 bits o FP16 especificando etiquetas como <code>llama3.1:8b-q8_0<\/code>, duplicando los requisitos de VRAM.<\/p>\n<h3>\u00bfPuedo ajustar modelos con Ollama?<\/h3>\n<p>No. Ollama es un runtime de inferencia, no un framework de entrenamiento. Para ajustar un modelo, usa herramientas como Hugging Face Transformers, Axolotl o LLaMA Factory, exporta el resultado en formato GGUF e imp\u00f3rtalo en Ollama mediante un Modelfile. El proceso est\u00e1 documentado en el repositorio de GitHub de Ollama bajo <code>docs\/import.md<\/code>.<\/p>\n<h3>\u00bfQu\u00e9 es la API de Ollama y c\u00f3mo la uso?<\/h3>\n<p>Ollama expone una API REST compatible con OpenAI en <code>localhost:11434<\/code>. El bloque <code>\/api\/generate<\/code> el endpoint maneja completaciones, y <code>\/api\/chat<\/code> soporta conversaciones multiturno con historial de mensajes. Puedes integrarlo en bases de c\u00f3digo existentes intercambiando la URL base: en lugar de <code>https:\/\/api.openai.com\/v1<\/code>, apunta tu cliente a <code>http:\/\/localhost:11434<\/code>. Muchos frameworks como LangChain y LlamaIndex tienen soporte nativo de Ollama.<\/p>\n<h3>\u00bfCu\u00e1ntas solicitudes por segundo puede manejar Ollama?<\/h3>\n<p>Un modelo cargado atiende una solicitud a la vez. El rendimiento depende del tama\u00f1o del modelo y el hardware: un RTX 4090 genera 60-80 tokens\/seg para un modelo de 8B, 15-25 tokens\/seg para un modelo de 70B. Para manejar usuarios concurrentes, ampl\u00eda horizontalmente (m\u00faltiples m\u00e1quinas) o usa batching en la capa de aplicaci\u00f3n. Ollama no tiene cola de solicitudes incorporada; necesitas un proxy inverso como NGINX o un balanceador de carga.<\/p>\n<h3>\u00bfPuedo ejecutar varios modelos simult\u00e1neamente?<\/h3>\n<p>S\u00ed, si tienes suficiente VRAM. Carga un segundo modelo con <code>ollama run<\/code> en una nueva terminal mientras el primero se ejecuta. Ollama comparte la GPU entre modelos. Dos modelos de 8B (10 GB totales) se ejecutan c\u00f3modamente en un RTX 4090 de 24 GB. Cambiar entre modelos es casi instant\u00e1neo si ambos ya est\u00e1n cargados; de lo contrario, espera tiempos de carga de 10-90 segundos dependiendo del tama\u00f1o del modelo.<\/p>","protected":false},"excerpt":{"rendered":"<p>TL;DROllama lets you run AI models like Llama, Mistral, and Gemma locally via a single command-line tool Install in seconds: [\u2026]<\/p>\n","protected":false},"author":1,"featured_media":2486,"comment_status":"closed","ping_status":"closed","sticky":false,"template":"","format":"standard","meta":{"site-sidebar-layout":"default","site-content-layout":"","ast-site-content-layout":"default","site-content-style":"default","site-sidebar-style":"default","ast-global-header-display":"","ast-banner-title-visibility":"","ast-main-header-display":"","ast-hfb-above-header-display":"","ast-hfb-below-header-display":"","ast-hfb-mobile-header-display":"","site-post-title":"","ast-breadcrumbs-content":"","ast-featured-img":"","footer-sml-layout":"","ast-disable-related-posts":"","theme-transparent-header-meta":"","adv-header-id-meta":"","stick-header-meta":"","header-above-stick-meta":"","header-main-stick-meta":"","header-below-stick-meta":"","astra-migrate-meta-layouts":"default","ast-page-background-enabled":"default","ast-page-background-meta":{"desktop":{"background-color":"var(--ast-global-color-5)","background-image":"","background-repeat":"repeat","background-position":"center center","background-size":"auto","background-attachment":"scroll","background-type":"","background-media":"","overlay-type":"","overlay-color":"","overlay-opacity":"","overlay-gradient":""},"tablet":{"background-color":"","background-image":"","background-repeat":"repeat","background-position":"center center","background-size":"auto","background-attachment":"scroll","background-type":"","background-media":"","overlay-type":"","overlay-color":"","overlay-opacity":"","overlay-gradient":""},"mobile":{"background-color":"","background-image":"","background-repeat":"repeat","background-position":"center center","background-size":"auto","background-attachment":"scroll","background-type":"","background-media":"","overlay-type":"","overlay-color":"","overlay-opacity":"","overlay-gradient":""}},"ast-content-background-meta":{"desktop":{"background-color":"var(--ast-global-color-4)","background-image":"","background-repeat":"repeat","background-position":"center center","background-size":"auto","background-attachment":"scroll","background-type":"","background-media":"","overlay-type":"","overlay-color":"","overlay-opacity":"","overlay-gradient":""},"tablet":{"background-color":"var(--ast-global-color-4)","background-image":"","background-repeat":"repeat","background-position":"center center","background-size":"auto","background-attachment":"scroll","background-type":"","background-media":"","overlay-type":"","overlay-color":"","overlay-opacity":"","overlay-gradient":""},"mobile":{"background-color":"var(--ast-global-color-4)","background-image":"","background-repeat":"repeat","background-position":"center center","background-size":"auto","background-attachment":"scroll","background-type":"","background-media":"","overlay-type":"","overlay-color":"","overlay-opacity":"","overlay-gradient":""}},"footnotes":""},"categories":[9],"tags":[],"class_list":["post-2485","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-tutorials"],"_links":{"self":[{"href":"https:\/\/convly.ai\/es\/wp-json\/wp\/v2\/posts\/2485","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/convly.ai\/es\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/convly.ai\/es\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/convly.ai\/es\/wp-json\/wp\/v2\/users\/1"}],"replies":[{"embeddable":true,"href":"https:\/\/convly.ai\/es\/wp-json\/wp\/v2\/comments?post=2485"}],"version-history":[{"count":1,"href":"https:\/\/convly.ai\/es\/wp-json\/wp\/v2\/posts\/2485\/revisions"}],"predecessor-version":[{"id":2487,"href":"https:\/\/convly.ai\/es\/wp-json\/wp\/v2\/posts\/2485\/revisions\/2487"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/convly.ai\/es\/wp-json\/wp\/v2\/media\/2486"}],"wp:attachment":[{"href":"https:\/\/convly.ai\/es\/wp-json\/wp\/v2\/media?parent=2485"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/convly.ai\/es\/wp-json\/wp\/v2\/categories?post=2485"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/convly.ai\/es\/wp-json\/wp\/v2\/tags?post=2485"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}