VPS para agentes de IA, servidor de automatización con IA

Con CPU, el modelo responde más despacio que con GPU. Los modelos cuantizados de 3B~8B van a una velocidad legible, como en un chat, pero si generas textos largos de una vez o lo usan varias personas a la vez, la espera se alarga. Por eso los modelos locales en servidores de CPU encajan mejor con tareas que dan muchas respuestas cortas, como clasificar, resumir brevemente o extraer información.

Según la guía de Ollama, para modelos 7B se recomiendan 8 GB de memoria, para 13B 16 GB y para 33B 32 GB o más. El sistema operativo y otros programas también usan memoria, así que elige un plan un nivel por encima, y lo ideal es empezar con un modelo pequeño para comprobar calidad y velocidad antes de crecer.

Los servicios que necesitan respuestas rápidas, los modelos grandes de 70B o más, la generación de imágenes y el ajuste fino necesitan GPU. Consulta esas tareas en la página de servidores GPU y reparte papeles: el VPS se encarga de los agentes y flujos que llaman al servidor GPU o a API de LLM, y así cuidas a la vez coste y velocidad.

Si al crear el servidor eliges la app Docker en la imagen, empiezas con Docker Engine y Docker Compose instalados sobre Ubuntu 24.04. Tras entrar, crea el almacenamiento con docker volume create n8n_data y levanta n8n con el comando docker run -d --name n8n -p 5678:5678 -v n8n_data:/home/node/.n8n docker.n8n.io/n8nio/n8n. En un servicio real es más seguro usarlo con dominio y HTTPS.

Ollama se instala con una línea, curl -fsSL https://ollama.com/install.sh | sh, y al poner el nombre de un modelo, como ollama run llama3.2, lo descarga y ejecuta al instante. Al instalarlo se abre la API en el puerto 11434 dentro del servidor, y n8n o tu código Python en el mismo servidor llaman a esa dirección para usar el modelo local.

Por defecto, la API de Ollama solo acepta peticiones desde dentro del servidor, y conviene dejarlo así. Si necesitas usarla desde fuera, entra por una VPN como WireGuard o pon autenticación en un proxy Nginx para que solo la usen las personas permitidas.

No escribas la clave de la API de LLM directamente en el código: guárdala en variables de entorno o en un archivo con permisos restringidos. Si fijas un límite de uso en la API, aunque un agente entre en un bucle de ejecuciones, la factura no se dispara. Conéctate al servidor solo con clave SSH y protege los paneles de administración como n8n con contraseñas fuertes y HTTPS.

Si el agente usa herramientas que leen la web y ejecutan comandos, es importante darle permisos limitados. Crea un usuario Linux aparte para el agente y deja que use solo las carpetas necesarias, o ejecútalo dentro de un contenedor Docker, y aunque cometa un error no se extenderá a todo el servidor.

Envía los correos de alerta del agente a través de un servicio de entrega de correo en el puerto 587, y los webhooks de Telegram o Discord funcionan bien junto con ello. Con la opción de copia de seguridad automática activada, los flujos de trabajo y el historial de chat también se guardan, y cuando necesites una restauración, solicítala en la página de soporte después de tu primer pago.