Monta tu propia pasarela de agentes de IA con OpenClaw y Ollama en un solo comando
Al terminar este artículo tendrás la pasarela de OpenClaw funcionando en una máquina tuya, respondiendo con un modelo servido por Ollama en esa misma máquina, y con una tarea programada que hace algo útil cada mañana. El punto de entrada más barato: un portátil de 16 GB y un modelo de 9B. El cómodo: 24 a 32 GB y un modelo de 26B.
OpenClaw es una pasarela de asistente personal de código abierto. Conecta las aplicaciones de chat que ya usas (WhatsApp, Telegram, Slack, Discord, iMessage) con un agente que lee archivos, ejecuta herramientas y sigue un calendario. El tutorial de Ollama, The simplest and fastest way to set up OpenClaw, enseña la ruta de un solo comando con un modelo en la nube. Aquí seguimos la misma ruta con un modelo local, sin cuenta y sin clave de API.
Qué necesitas
- Ollama 0.17 o superior (
ollama --version). Nosotros usamos la 0.30.10. - Node.js 24.16+ o 26.1+, según la documentación de instalación de OpenClaw. Nosotros tenemos la 24.17.0.
- macOS o Linux. En Windows funciona con WSL2 o con el instalador nativo.
- Memoria para el modelo más 1 GB aproximadamente para la pasarela (medido más abajo).
- Veinte minutos. Ni tarjeta ni clave de nube.
Paso 1: descarga un modelo local que sepa llamar herramientas
Un agente necesita modelos que devuelvan llamadas a herramientas bien formadas, y la documentación de OpenClaw recomienda 64k tokens de contexto para modelos locales. La página de integración de Ollama nombra dos opciones locales: gemma4 (unos 16 GB de memoria de GPU) y qwen3.5 (unos 11 GB).
ollama pull gemma4 # máquinas de 24 GB en adelante
ollama pull qwen3.5:9b # portátiles de 16 GB: descarga de 6,6 GB
ollama show gemma4 # comprueba que "tools" aparece en CapabilitiesSi ollama show no lista tools, elige otro modelo. Llamar herramientas es la razón de ser de un agente.
Paso 2: instala y arranca con un comando
ollama launch openclaw --model gemma4Ollama detecta que OpenClaw no está instalado, pide permiso para instalarlo, escribe la configuración del proveedor, instala el servicio en segundo plano y abre el terminal de OpenClaw. Añade --config para configurar sin arrancar, o --yes para una instalación sin preguntas. Las dos opciones están en la misma página de integración.
¿Prefieres la ruta manual? El instalador de OpenClaw es:
curl -fsSL https://openclaw.ai/install.sh | bash
openclaw onboard --install-daemon # elige Ollama y después "Local only"
openclaw gateway statusSalida esperada del último comando: Runtime: running y una pasarela en el puerto 18789. Si aparece un error de versión de Node, actualiza Node primero; en esta fase no suele fallar nada más.
Paso 3: revisa la configuración del proveedor
OpenClaw debe hablar con el endpoint nativo de Ollama, /api/chat, y no con la ruta /v1 compatible con OpenAI. La documentación del proveedor lo dice sin rodeos: la ruta /v1 rompe las llamadas a herramientas y los modelos empiezan a imprimir JSON en bruto como texto. Abre ~/.openclaw/openclaw.json y busca esta forma:
{
models: {
providers: {
ollama: {
baseUrl: "http://127.0.0.1:11434",
apiKey: "ollama-local", // marcador para un host local, no un secreto
api: "ollama",
models: [
{ id: "gemma4", name: "gemma4", input: ["text"],
contextTokens: 32768, params: { num_ctx: 32768 } }
]
}
}
}
}Mantén contextTokens y num_ctx iguales. El descubrimiento de modelos locales limita el contexto a 32.768 tokens para que nada se recorte en silencio. Nuestra pasarela usa exactamente esta forma, y openclaw models list muestra la entrada como ollama/gemma4:latest. Los modelos se nombran siempre como ollama/<nombre>.
Paso 4: programa la primera automatización útil
La victoria más rápida es un resumen programado. Esta tarea corre las mañanas de lunes a viernes, usa solo el modelo local y entrega el resultado en un canal de chat que hayas conectado:
openclaw cron add --name "Resumen matinal de notas" \
--cron "0 8 * * 1-5" \
--message "Lee los archivos de ~/notas modificados en las últimas 24 horas. Responde con tres viñetas y una acción para hoy." \
--model ollama/gemma4 --announce --channel telegram
openclaw cron list
openclaw cron run <id-de-la-tarea> # ejecútala ahora para probarCreamos la tarea equivalente en nuestra pasarela (desactivada, y la borramos después) y el comando devolvió un registro JSON con payload.kind: "agentTurn" y model: "ollama/gemma4:latest", que es lo que deberías ver tú. Para conectar un canal, ejecuta openclaw configure --section channels, como indica el tutorial de Ollama. Opciones como --every 30m, --webhook <url> y --command <shell> están en la referencia de cron.
Pídele a tu asistente que redacte el mensaje de la tarea. Una buena instrucción: “Escribe un mensaje de cron para un agente que lee una carpeta de notas en markdown y devuelve tres viñetas y una acción, en menos de 80 palabras.”
Qué medimos
Todas las cifras son de nuestra estación NVIDIA GB10 (128 GB de memoria unificada), 09-09-2026, con ollama ps y /api/generate.
| Elemento | Medido | Notas |
|---|---|---|
| Proceso de la pasarela OpenClaw | 893 MB residentes | Node 24.17, unidad systemd de usuario, 10 días encendida |
gemma4:26b | 51,2 tokens/s, 17 GB residentes | contexto 32k, primera carga desde disco 116 s |
qwen3.6:35b | 51,4 tokens/s, 23 GB residentes | contexto 32k; 29 GB cargado con 262k de contexto |
qwen2.5-coder:7b | 34,1 tokens/s, 6,6 GB residentes | contexto 32k, carga en caliente 0,19 s |
llama3.1:8b | 33,3 tokens/s | primera carga 13,2 s |
Dos lecciones para dimensionar. La ventana de contexto cuesta memoria: el mismo modelo de 35B necesitó 6 GB más con el contexto completo que con 32k. Y la primera carga de un modelo grande desde disco es lenta; después, Ollama lo mantiene en memoria 30 minutos por defecto.
| Tu máquina | Modelo para empezar | Qué esperar |
|---|---|---|
| Portátil de 16 GB | qwen3.5:9b | Chat, resúmenes, llamadas a herramientas sencillas |
| Mac mini M4 de 24 GB, unos 920 EUR (Compute Market) | gemma4:12b o qwen3.5:9b | Sitio para la pasarela y 32k de contexto |
| 32 GB o más | gemma4:26b o qwen3.5:27b | Tareas de agente de varios pasos |
Dónde encaja y cuáles son los límites
OpenClaw sustituye las tareas de “alguien revisa esto cada mañana”: resúmenes de bandeja y de notas, vigilancia de carpetas, recordatorios que llegan a la aplicación de chat que ya abres. Con un modelo local, el contenido de esos archivos no sale del edificio.
Límites, con honestidad. Los modelos pequeños llaman herramientas con menos fiabilidad que los de clase 30B; si una tarea falla, prueba un modelo mayor antes de reescribir el prompt. La búsqueda web dentro de OpenClaw usa el buscador alojado de Ollama y exige ollama signin; prescinde de ella si tu política es estrictamente local. Los mensajes siguen pasando por los servidores de WhatsApp o Telegram, así que el transporte no es privado aunque el modelo sí lo sea. Y el propio tutorial de Ollama pide ejecutar OpenClaw en un entorno aislado, porque un agente con herramientas lee archivos y ejecuta acciones. Basta con una cuenta de usuario dedicada o una máquina virtual pequeña.
Siguientes pasos
- Elige la máquina: Mejores dispositivos para IA local en 2026.
- Elige la familia de modelos: Mejores modelos LLM locales, comparativa del segundo trimestre de 2026.
- Dale tus documentos al agente: Pipeline RAG con n8n y Ollama para documentos de empresa.
- Calcula si la máquina se amortiza: Nube o local: punto de equilibrio.
Trabaja con nosotros
Tenemos una pasarela OpenClaw en nuestro propio hardware con 18 tareas programadas, y montamos lo mismo para clientes en máquinas que son suyas. Si quieres la primera automatización funcionando en tu oficina, escríbenos o mira cómo trabajamos en consultoría.