Gymnasia es una aplicación móvil construida con React Native y Expo que funciona como un entrenador personal inteligente. La app permite crear y gestionar rutinas de entrenamiento, llevar un seguimiento de la dieta y las medidas corporales, y cuenta con un chatbot con IA que actúa como asistente de entrenamiento.
El proyecto sigue una filosofía local-first: toda la funcionalidad principal funciona sin conexión a internet, almacenando los datos de forma local en el dispositivo del usuario.
Rutinas de entrenamiento
Crea rutinas personalizadas con ejercicios, series, repeticiones y pesos. Cada rutina se puede categorizar (fuerza, cardio, flexibilidad, etc.) y personalizar con iconos. Durante el entrenamiento, un temporizador de descanso con alerta sonora te avisa cuando continuar.
Biblioteca de ejercicios
Repositorio abierto de ejercicios con imágenes generadas por IA que muestran la ejecución correcta, tanto en versión masculina como femenina. Los ejercicios incluyen grupo muscular, equipamiento necesario, dificultad e instrucciones detalladas. Los usuarios pueden además crear ejercicios personalizados.
Asistente de IA
Chat integrado con modelos de lenguaje (compatible con OpenAI, Anthropic y otros proveedores) que funciona como entrenador personal virtual. El chatbot tiene acceso al contexto de tus rutinas y puede sugerirte ejercicios, resolver dudas de técnica o ayudarte a planificar tu entrenamiento.
Seguimiento de dieta
Registro diario de comidas con cálculo de calorías y macronutrientes (proteínas, carbohidratos y grasas). Permite configurar objetivos nutricionales personalizados.
Medidas corporales
Seguimiento de peso y otras medidas corporales con historial temporal para visualizar tu progreso.
El proyecto es un monorepo gestionado con npm workspaces que contiene:
La app móvil utiliza AsyncStorage para la persistencia local y Expo SecureStore para las claves API. Las imágenes de ejercicios se sirven desde el repositorio de GitHub y se cachean en el dispositivo.
El proyecto es open source y está disponible en GitHub.
Si te ha gustado el proyecto considera darle una estrella en GitHub.
Aprende cómo funcionan las redes neuronales desde cero con un ejemplo práctico de regresión lineal. Tutorial paso a paso que explica neuronas artificiales, inicialización de parámetros, funciones de pérdida y error cuadrático medio (ECM) con código Python.
Aprende a implementar elicitación en servidores MCP (Model Context Protocol) con FastMCP. Tutorial completo paso a paso para crear un agente inteligente de reservas de viajes que solicita información al usuario de forma interactiva. Incluye código de servidor y cliente, configuración de entornos virtuales con uv, y ejemplos prácticos de elicitación para recopilar datos del usuario en tiempo real.
Aprende a crear un servidor y cliente MCP con durabilidad para tareas de larga duración. Tutorial completo sobre Model Context Protocol con persistencia de datos usando SQLite, gestión de tareas en background y monitoreo en tiempo real. Implementa migración de datos, procesamiento por lotes y entrenamiento de modelos ML que sobreviven a reinicios del servidor. Código Python con FastMCP, recursos, herramientas y patrones de durabilidad para aplicaciones enterprise.
Los agentes IA, impulsados por LLMs, prometen transformar aplicaciones. Pero, ¿son hoy simples ejecutores o futuros colaboradores inteligentes? Para alcanzar su verdadero potencial, debemos superar barreras críticas. Esta charla se adentra en los 3 enigmas que definirán la próxima generación de agentes: 1. Planificación Avanzada (El Cerebro): Los agentes actuales a menudo tropiezan con tareas complejas. Exploraremos cómo, más allá de las llamadas a funciones básicas, las arquitecturas cognitivas permiten trazar planes robustos, anticipar problemas y razonar con profundidad. ¿Cómo hacerlos "pensar" varios pasos adelante? 2: UX Revolucionaria (El Alma): La interacción con un agente no puede ser una fuente de frustración. Analizaremos cómo trascender el chat tradicional hacia interfaces "human-on-the-loop", UX colaborativas, generativas y accesibles. ¿Cómo diseñar experiencias que enganchen? 3. Memoria Persistente (El Legado): Un agente que olvida lo aprendido está condenado a la ineficiencia. Veremos técnicas para dotarlos de memoria significativa que vaya más allá del historial, permitiendo que aprendan y cada interacción sea más inteligente. Con ejemplos prácticos, no solo comprenderemos la magnitud de estos desafíos, sino que nos llevaremos ideas concretas y una visión clara para contribuir a construir los agentes del mañana: más inteligentes, más intuitivos y verdaderamente capaces. ¿Te unes a la expedición para descifrar el siguiente capítulo de los agentes IA?
Aprende a crear un sistema de IA para ejecutar eficientemente en un dispositivo
Los espacios de Hugging Face nos permite ejecutar modelos con demos muy sencillas, pero ¿qué pasa si la demo se rompe? O si el usuario la elimina? Por ello he creado contenedores docker con algunos espacios interesantes, para poder usarlos de manera local, pase lo que pase. De hecho, es posible que si pinchas en alún botón de ver proyecto te lleve a un espacio que no funciona.
Dataset de chistes en inglés
Dataset con traducciones de inglés a español
Dataset con películas y series de Netflix
