Setup del stack

Lo que vas a tener al terminar esta página

Un stack 100% local funcionando: Qdrant corriendo en Docker para los vectores, Ollama corriendo en background con dos modelos descargados (un LLM y un modelo de embeddings), y el monorepo del curso clonado con todas las dependencias instaladas. Todo listo para correr el primer lab.

Te va a llevar 10-15 minutos la primera vez. Casi todo el tiempo es download de modelos.

Prerrequisitos

Necesitás estas 5 herramientas en tu máquina:

• Git — para clonar el repo. (instalar)
• Docker Desktop — para levantar Qdrant. (instalar)
• Node.js 24 LTS — runtime del proyecto. Es la Active LTS hasta mayo 2028. Mínimo requerido: Node 22. (instalar)
• pnpm 10.29+ — gestor de paquetes del workspace. El repo está testeado con la línea 10.x. (instalar)
• Ollama — para correr el LLM y embeddings local. (instalar)

¿Las tenés todas? Saltate la sección siguiente. ¿Te faltan algunas? Copiá el comando de tu OS.

Instalación rápida (de un saque, según tu OS)

macOS (con Homebrew)

brew install --cask docker && brew install git node@24 pnpm ollama

Después de instalar Docker, abrilo una vez para que arranque el daemon.

Linux (Ubuntu / Debian)

sudo apt update && sudo apt install -y git docker.io
curl -fsSL https://fnm.vercel.app/install | bash && exec $SHELL
fnm install 24 && fnm use 24
npm install -g pnpm
curl -fsSL https://ollama.com/install.sh | sh
sudo systemctl enable --now docker

Windows (con winget)

winget install Git.Git Docker.DockerDesktop OpenJS.NodeJS.LTS pnpm.pnpm Ollama.Ollama

Reiniciá la terminal después de instalar pnpm para que el PATH se actualice.

Clonar el repo y arrancar el stack

Una vez que tenés todo instalado:

# 1. Clonar el repo
git clone https://github.com/tincke10/RAG-Labs-TS.git
cd RAG-Labs-TS

# 2. Instalar dependencias del workspace
pnpm install

# 3. Levantar Qdrant en Docker
pnpm qdrant:up

# 4. Descargar los dos modelos de Ollama (esto tarda — son ~2.3 GB)
ollama pull llama3.2:3b
ollama pull nomic-embed-text

¿Qué pesa cada cosa?

• Llama 3.2 3B (LLM): ~2 GB
• nomic-embed-text (embeddings, 768 dim): ~270 MB
• Qdrant v1.17 (Docker image): ~50 MB

Total ~2.3 GB. Se descarga una sola vez; quedan cacheados localmente.

Verificación

Hacé estas tres comprobaciones para confirmar que todo está vivo:

# Qdrant levantado en :6333
curl http://localhost:6333

# Ollama corriendo y modelos disponibles
ollama list

# pnpm reconoce los packages del workspace
pnpm -r ls --depth=-1

Si todo funcionó, deberías ver

• curl http://localhost:6333 devuelve un JSON con "title": "qdrant - vector search engine".
• ollama list lista al menos llama3.2:3b y nomic-embed-text.
• pnpm -r ls lista los paquetes del workspace, incluyendo 01-vercel-ai-sdk, 02-langchain, 03-llamaindex, 04-mastra, 06-evals y 07-course.

Si algo falla, leé el mensaje de error con calma — casi siempre es Docker que no arrancó o el daemon de Ollama que no está corriendo.

Lo que viene

Ahora tenés el stack arriba pero sin datos todavía. En la próxima página vas a conocer el corpus que vamos a indexar — 4 markdowns sobre arquitecturas de software, en español. Spoiler: el idioma del corpus importa.