Gymnasia

Un entrenador personal de IA que corre entero en tu móvil

¿Te interesa cómo está construido por dentro? Los dos agentes están explicados paso a paso en Gymnasia: arquitectura de un agente de IA que corre en el móvil.

Descargar APK para Android

Qué la hace distinta

Apps de gimnasio hay muchas, y de dieta también. Lo que cambia aquí es lo que lleva dentro: un agente de IA que hace de entrenador personal.

Y no es un chat colgado al lado de la app para responder dudas sueltas. Es un agente con acceso real a tus datos: le dices «móntame una rutina de empuje para tres días» o «apunta que he comido dos huevos y una tostada» y lo hace, busca en la biblioteca de ejercicios, escribe en tu dieta del día, lee tus medidas para decidir y se acuerda de lo que le contaste la semana pasada.

Lo segundo que la hace distinta: ese agente corre entero en tu móvil. No hay ningún servidor mío por el que pasen tus datos, porque no hay servidor. La app llama directamente al proveedor de IA con una clave que pones tú, y todo lo demás, decidir qué hacer, ejecutarlo y guardarlo, ocurre dentro del teléfono. Tu peso, tu dieta y tus rutinas no salen de ahí.

El coach conversacional

Es el agente con el que hablas. Opera sobre la app a través de un catálogo de tools: busca ejercicios y alimentos, lee y escribe tu dieta, crea rutinas, apunta medidas y guarda lo que le cuentas de ti para tenerlo presente en la siguiente conversación. Su capacidad de actuar es exactamente esa lista, ni una cosa más.

Es BYOK (bring your own key): la clave de API la pones tú y se guarda en el dispositivo, así que eliges qué proveedor usar y controlas lo que gastas. Su system prompt se descarga en remoto con una copia embebida de reserva, de modo que se puede corregir sin publicar una versión nueva de la app y esta sigue funcionando sin conexión.

Se lee de arriba abajo por la columna central: eso es lo que ocurre en el tiempo. La caja de la izquierda no son pasos: son las piezas que se suman unas a otras y entran juntas en cada llamada, de ahí la flecha ancha. La de la derecha es lo que pasa cuando el modelo pide una tool. La línea discontinua clara vuelve atrás: el resultado se añade al historial y se llama otra vez. La roja es lo único que sale del dispositivo. Y las cajas de borde discontinuo son la llamada al modelo: ahí manda el proveedor, no el código de la app.

Desliza el grafo en horizontal para verlo entero.

Paso siguiente Entra en la llamada Vuelve atrás (bucle) Sale del dispositivo Fuera de tu código

El estimador de comidas

El segundo agente, independiente del primero: le haces una foto al plato y te devuelve calorías y macronutrientes. Si en la foto hay un código de barras lo lee y consulta OpenFoodFacts, así que en los productos de supermercado los datos son los reales y no una estimación a ojo. Nada se guarda en tu dieta hasta que tú das el visto bueno.

Misma lectura y mismas cajas que el grafo del coach. Ojo al desvío del código de barras: no es una alternativa a la estimación, es una vuelta más del bucle. El dato exacto vuelve al modelo y la estimación se produce igual, solo que con datos reales en vez de a ojo. Las tres cajas de borde discontinuo son llamadas al modelo.

Desliza el grafo en horizontal para verlo entero.

Paso siguiente Entra en la llamada Vuelve atrás (bucle) Sale del dispositivo Fuera de tu código

Todo lo demás

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.
Seguimiento de dieta

Registro diario de comidas con cálculo de calorías y macronutrientes (proteínas, carbohidratos y grasas), objetivos nutricionales personalizados y lectura de códigos de barras contra OpenFoodFacts.
Medidas corporales

Seguimiento de peso y otras medidas corporales con historial temporal para visualizar tu progreso.

Arquitectura

La aplicación no tiene backend: los dos agentes se ejecutan enteros en el móvil, así que los datos del usuario nunca salen del dispositivo. El proyecto es un monorepo gestionado con npm workspaces que contiene:

apps/mobile: Aplicación Expo React Native (la superficie principal)
packages/shared: Tokens de diseño y tipos TypeScript compartidos
ejercicios/: Repositorio abierto de ejercicios (JSON + imágenes generadas con IA)

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.

Tecnologías

Mobile: React Native, Expo SDK 54, TypeScript
IA: OpenAI, Anthropic y Google Gemini mediante adaptadores, con esquema BYOK
Datos nutricionales: OpenFoodFacts para la lectura de códigos de barras
Generación de imágenes: IA generativa para ilustraciones de ejercicios
Build: EAS Build para generar APKs de Android

Código fuente

El proyecto es open source y está disponible en GitHub.

Soporte

Si te ha gustado el proyecto considera darle una estrella en GitHub.

Más sobre los agentes

Si quieres más información sobre cómo está hecha la app, los dos grafos de arriba explicados paso a paso, el bucle de tools, la elección de proveedor y por qué el system prompt vive en remoto, está todo en Gymnasia: arquitectura de un agente de IA que corre en el móvil.

Seguir leyendo

Cómo parsear tool calls de OpenAI, Anthropic y Google

Cómo convertir las llamadas a tools de diferentes proveedores de LLMs en una interfaz común sin perder los identificadores que correlacionan cada resultado.

Cómo declarar tools fiables para OpenAI, Anthropic y Google

Guía práctica para diseñar tools que un LLM pueda descubrir, adaptar a cualquier proveedor de LLMs, ejecutar con segurid...

Gymnasia: arquitectura de un agente de IA que corre en el móvil

Cómo está construido el agente de IA de Gymnasia: un coach conversacional BYOK con tools locales y un estimador de comid...

Últimos posts -->

¿Has visto estos proyectos?

Gymnasia

LangGraph Deep Researcher

Tau

Ver todos los proyectos -->

>_ Disponible para proyectos

¿Tienes un proyecto con IA?

Hablemos.

maximofn@gmail.com

Especialista en Machine Learning e Inteligencia Artificial. Desarrollo soluciones con IA generativa, agentes inteligentes y modelos personalizados.

Escríbeme LinkedIn

¿Quieres ver alguna charla?

Agentes del Mañana: Descifrando los Enigmas de Planificación, UX y Memoria

Los agentes IA, impulsados por LLMs, prometen transformar aplicaciones. Pero, ¿son hoy simples ejecutores o futuros colaboradores inteligentes? Para a...

Crea tu propio Apple intelligence

Aprende a crear un sistema de IA para ejecutar eficientemente en un dispositivo

Últimas charlas -->

¿Quieres mejorar con estos tips?

Buenas prácticas creando agentes con Claude Code

Charla técnica: skills, subagentes, slash commands y MCPs en Claude Code

o1 prompt engineering

Crear mejores prompts para o1 siguiendo un ejemplo

Memory profiler

Ver el uso de memoria de un script

Últimos tips -->

Usa esto en local

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.