Programa evolutivo y verificable para comprender e implementar la historia completa de la inteligencia artificial: lógica, búsqueda, sistemas expertos, probabilidad, machine learning, redes neuronales, modelos fundacionales, IA generativa, RAG, agentes, multiagentes, robótica, MLOps, seguridad y frontera.
🌐 Sitio de estudio (vivo) · 📜 Papers fundacionales · 🧭 Ruta · 🤖 Especialización en agentes · 📖 Glosario · 📕 PDFs · 🏗️ Arquitectura · 🗺️ Roadmap · 🤝 Contribuir · 🔐 Seguridad
| 📘 Clases | 📓 Notebooks | 🧪 Laboratorios | 🧩 Partes | 📜 Papers | 🧰 Motores didácticos | 📕 PDFs |
|---|---|---|---|---|---|---|
| 183 | 549 + 46 | 183 | 15 | 38 | 20 + 52 | 17 + 38 |
Important
Este repositorio no reemplaza los programas especializados. Es el mapa maestro
de la evolución de la IA. python-data-science-program,
neural-network-training-labs, langgraph-realworld y
claude-skills-toolkit aparecen como rutas oficiales de profundización, sin copiar
ni falsear su contenido.
| Superficie | Estado |
|---|---|
| Currículo | ✅ 183/183 clases documentadas |
| Papers | ✅ 148 fichas de 18 secciones + 156 notebooks + 148 motores + 5 anexos + un PDF por paper + enlaces de vuelta en 171 clases |
| Notebooks | ✅ 183 recorridos + 183 estudiantes + 183 soluciones |
| Laboratorios | ✅ 183 entrypoints que reutilizan 20 motores didácticos ejecutables |
| Datasets | ✅ catálogo de fuentes públicas reales; sin fallback sintético silencioso |
| Bibliografía | ✅ cada clase declara su bibliografía de apoyo —libro, edición y localizador— desde sources/bibliography.json; lo que no resuelve queda marcado con motivo |
| CLI | ✅ ai-evolution catalog, run, validate, frontier, progress, papers, paper, paper-lab |
| Sitio | ✅ PWA estática, búsqueda, filtros, progreso local y 163 páginas del eje de papers |
| Escritorio | ✅ visor Tkinter; se publica en 4 formatos (instalador, MSI, portable, exe único) |
| Android | ✅ APK con el sitio embebido, funciona sin conexión |
| CI | ✅ estructura, notebooks, tests, compilación y seguridad básica |
| GPU / APIs pagadas | ⚪ extensiones opcionales; no se finge ejecución en CI |
- Presenta los agentes como una etapa de la evolución de la IA, no como el inicio.
- Mantiene un núcleo estable y una frontera revisable con fecha y fuente.
- Cada clase incluye teoría, laboratorio, evaluación, errores comunes, FAQ y referencias.
- Diferencia claramente modelo, prompt, resource, tool, skill, workflow y agente.
- Usa código local y determinista para enseñar contratos antes de depender de APIs.
- No declara “producción” sin evidencia operativa, métricas y revisión humana.
flowchart LR
A["📜 00 Fundamentos<br/>e historia"] --> B["♟️ 01 IA simbólica<br/>y búsqueda"]
B --> C["🎲 02 Probabilística<br/>y evolutiva"]
C --> D["📊 03 ML<br/>clásico"]
D --> E["🧠 04 Deep<br/>learning"]
E --> F["👁️ 05 Lenguaje, visión<br/>y multimodal"]
F --> G["⚙️ 06 Modelos<br/>fundacionales"]
G --> H["🎨 07 IA<br/>generativa"]
G --> I["🔎 08 RAG, memoria<br/>y conocimiento"]
H --> J["🤖 09 Agentes"]
I --> J
J --> K["🕸️ 10 Multiagentes<br/>e interop"]
K --> L["🦾 11 Robótica y<br/>computer use"]
K --> M["🛠️ 12 MLOps, LLMOps<br/>y AgentOps"]
L --> N["🛡️ 13 Evaluación, seguridad<br/>y gobernanza"]
M --> N
N --> O["🔭 14 Frontera<br/>y capstones"]
Cada parte tiene su propio README con la secuencia de sus clases —12 en todas, salvo la parte 06 que tiene 15. Las etapas siguen la evolución histórica del campo: lo que cada una enseña es el prerrequisito real de la siguiente.
La base que el resto del programa asume: método científico, búsqueda, lógica e incertidumbre. Salida: leer el campo con criterio, no con hype.
| # | Parte | Clases | Nivel | Duración |
|---|---|---|---|---|
| 00 | 📜 Fundamentos, historia y método científico | 12 | fundamentos | 3–4 |
| 01 | ♟️ IA simbólica, búsqueda, lógica y planificación | 12 | fundamentos | 4–5 |
| 02 | 🎲 IA probabilística, evolutiva y de decisión | 12 | intermedio | 4–5 |
De las reglas escritas a los patrones aprendidos, y de los vectores a los sentidos. Salida: entrenar, diagnosticar y evaluar modelos con evidencia.
| # | Parte | Clases | Nivel | Duración |
|---|---|---|---|---|
| 03 | 📊 Machine learning clásico | 12 | intermedio | 5–6 |
| 04 | 🧠 Redes neuronales y deep learning | 12 | intermedio-avanzado | 6–8 |
| 05 | 👁️ Lenguaje, visión, audio e IA multimodal | 12 | avanzado | 5–6 |
El giro de 2020s: modelos preentrenados adaptables, generación en todos los medios y sistemas que citan evidencia. Salida: dimensionar el hardware que los sostiene y construir servicios LLM con contratos, RAG auditable y memoria.
| # | Parte | Clases | Nivel | Duración |
|---|---|---|---|---|
| 06 | ⚙️ Modelos fundacionales e ingeniería de LLM | 15 | avanzado | 6–7 |
| 07 | 🎨 IA generativa para texto, imagen, audio, video y 3D | 12 | avanzado | 5–6 |
| 08 | 🔎 Recuperación, contexto, memoria y conocimiento | 12 | avanzado | 5–6 |
El modelo se convierte en componente de decisión de un sistema con herramientas, permisos y presupuesto. Salida: dominar las ingenierías de agentes (harness, loop, graph, context) y la orquestación multiagente.
| # | Parte | Clases | Nivel | Duración |
|---|---|---|---|---|
| 09 | 🤖 Ingeniería de agentes de IA | 12 | avanzado | 6–7 |
| 10 | 🕸️ Sistemas multiagente e interoperabilidad | 12 | experto | 6–7 |
| 11 | 🦾 IA encarnada, robótica y uso de computadores | 12 | experto | 5–6 |
Lo que separa la demo del sistema en producción: observabilidad, evals como gate, seguridad y cumplimiento. Salida: operar IA con evidencia y responder por ella.
| # | Parte | Clases | Nivel | Duración |
|---|---|---|---|---|
| 12 | 🛠️ Ingeniería de IA, MLOps, LLMOps y AgentOps | 12 | experto | 6–7 |
| 13 | 🛡️ Evaluación, seguridad y gobernanza | 12 | experto | 6–7 |
Investigación abierta con fecha y fuente, y el proyecto integrador que une las 14 partes anteriores. Salida: vigilar la frontera sin perseguir modas.
| # | Parte | Clases | Nivel | Duración |
|---|---|---|---|---|
| 14 | 🔭 Frontera, investigación y proyectos integradores | 12 | frontera | 8–12 |
Las clases enseñan qué sabe hoy el campo. El eje de papers enseña cómo llegó a saberlo, leyendo las fuentes primarias y ejecutando una miniatura de cada mecanismo. No es una colección de PDFs: cada hito sigue la misma secuencia.
problema histórico → propuesta → intuición → matemática mínima →
implementación → experimento → interpretación → limitaciones → siguiente hito
La última flecha es la clave: cada paper existe porque el anterior dejó algo sin resolver.
flowchart LR
A["🔵 1958-1986<br/>Perceptrón · Backprop"] --> B["🟢 1997-2014<br/>LSTM · AlexNet<br/>Word2Vec · Seq2Seq"]
B --> C["🟡 2014-2017<br/>Attention · Transformer"]
C --> D["🟠 2018-2020<br/>BERT · GPT-3 · RAG"]
D --> E["🔴 2022-2023<br/>InstructGPT · ReAct<br/>Toolformer · DPO"]
E --> F["⚫ 2023+<br/>Sistemas agentic"]
| Qué incluye | Detalle |
|---|---|
| 📄 148 fichas | 18 secciones obligatorias cada una: problema anterior, matemática mínima, qué observar en el paper original, límites, errores comunes, actividades Bloom y fuentes primarias con fecha de consulta |
| 📓 156 notebooks | 148 miniaturas + 8 que desmontan Attention Is All You Need pieza por pieza (Q/K/V, √d_k, máscara causal, multi-head, positional encoding, residual + layer norm, encoder–decoder) |
| 🧪 148 motores | Implementaciones deterministas en Python estándar: sin GPU, sin dependencias, sin APIs pagadas |
| 🧮 5 anexos | Toda la matemática del eje explicada una vez, con ejemplo resuelto a mano y su error común |
| 🔁 Ida y vuelta | Las 171 clases enlazadas llevan un bloque generado con sus papers: el circuito se cierra en ambos sentidos |
| 📚 5 guías | Cómo leer un paper · método en 5 pasadas · dónde vive la investigación · plantilla de ficha · glosario |
| 🎓 Niveles L0–L5 | De orientar sobre qué es un paper a leer la frontera con fecha y fuente |
| 👩🏫 Aula completa | Guías docentes, fichas de estudio y evaluaciones con rúbrica |
Reglas que el repositorio verifica automáticamente: no atribuir a un paper ideas posteriores, no inventar autores, fechas, datasets ni métricas, registrar siempre venue y fecha de consulta, y no redistribuir material con copyright — solo enlazar.
Tip
La guía dónde vive la investigación explica la diferencia entre dónde se publica (arXiv, NeurIPS, ICML, ICLR, ACL Anthology) y dónde se busca (Google Scholar, Semantic Scholar), y por qué OpenReview es el sitio más infravalorado para aprender a leer con criterio.
El eje de papers dice de dónde salió cada idea. Esta bibliografía dice con qué se estudia: además del paper, la obra que desarrolla el contenido con el espacio que una clase no tiene —teoría completa, demostraciones y ejercicios—.
Cada una de las 183 clases lleva su propio bloque de bibliografía de apoyo: los libros que la
clase cita —con el capítulo, cuando la cita lo indica—, la obra de referencia de su parte y, donde
aplica, las normas oficiales. Nada de eso se escribe a mano: sale de
sources/bibliography.json, donde cada obra tiene un localizador
resoluble —ISBN-13 para libros, DOI para artículos, URL del organismo para normas— y lo que no
resuelve se queda marcado pendiente con su motivo. Un hueco declarado es información; un hueco
rellenado a ojo es una invención con formato de bibliografía.
| Parte | Obra que la sostiene |
|---|---|
| 00 · Fundamentos, historia y método científico | Russell, Stuart J. y Norvig, Peter — Artificial Intelligence: A Modern Approach — ISBN 9780134610993 · web de la obra |
| 01 · IA simbólica, búsqueda, lógica y planificación | Russell, Stuart J. y Norvig, Peter — Artificial Intelligence: A Modern Approach — ISBN 9780134610993 · web de la obra Nilsson, N. J. — Principles of Artificial Intelligence — ISBN 9780387113401 |
| 02 · IA probabilística, evolutiva y de decisión | Russell, Stuart J. y Norvig, Peter — Artificial Intelligence: A Modern Approach — ISBN 9780134610993 · web de la obra Koller, Daphne y Friedman, Nir — Probabilistic Graphical Models: Principles and Techniques — ISBN 9780262013192 · web de la obra Pearl, J. — Probabilistic Reasoning in Intelligent Systems — ISBN 9780080514895 |
| 03 · Machine learning clásico | Hastie, Trevor, Tibshirani, Robert y Friedman, Jerome — The Elements of Statistical Learning — ISBN 9780387848570 · web de la obra James, Gareth et al. — An Introduction to Statistical Learning — ISBN 9783031387470 · web de la obra Murphy, Kevin P. — Probabilistic Machine Learning — ISBN 9780262046824 · web de la obra |
| 04 · Redes neuronales y deep learning | Goodfellow, Ian, Bengio, Yoshua y Courville, Aaron — Deep Learning — ISBN 9780262035613 · web de la obra Murphy, Kevin P. — Probabilistic Machine Learning — ISBN 9780262046824 · web de la obra |
| 05 · Lenguaje, visión, audio e IA multimodal | Jurafsky, Daniel y Martin, James H. — Speech and Language Processing — ISBN 9780131873216 · web de la obra |
| 06 · Modelos fundacionales e ingeniería de LLM | Jurafsky, Daniel y Martin, James H. — Speech and Language Processing — ISBN 9780131873216 · web de la obra Goodfellow, Ian, Bengio, Yoshua y Courville, Aaron — Deep Learning — ISBN 9780262035613 · web de la obra |
| 07 · IA generativa para texto, imagen, audio, video y 3D | Goodfellow, Ian, Bengio, Yoshua y Courville, Aaron — Deep Learning — ISBN 9780262035613 · web de la obra |
| 08 · Recuperación, contexto, memoria y conocimiento | Manning, Christopher D., Raghavan, Prabhakar y Schütze, Hinrich — Introduction to Information Retrieval — ISBN 9780521865715 · web de la obra Jurafsky, Daniel y Martin, James H. — Speech and Language Processing — ISBN 9780131873216 · web de la obra |
| 09 · Ingeniería de agentes de IA | Russell, Stuart J. y Norvig, Peter — Artificial Intelligence: A Modern Approach — ISBN 9780134610993 · web de la obra Michael J. Wooldridge — An Introduction to MultiAgent Systems — ISBN 9780471496915 |
| 10 · Sistemas multiagente e interoperabilidad | Michael J. Wooldridge — An Introduction to MultiAgent Systems — ISBN 9780471496915 Russell, Stuart J. y Norvig, Peter — Artificial Intelligence: A Modern Approach — ISBN 9780134610993 · web de la obra |
| 11 · IA encarnada, robótica y uso de computadores | Sebastian Thrun — Probabilistic Robotics — ISBN 9780262201629 · web de la obra |
| 12 · Ingeniería de IA, MLOps, LLMOps y AgentOps | Huyen, Chip — Designing Machine Learning Systems — ISBN 9781098107956 · web de la obra · pendiente de confirmar en su catálogo |
| 13 · Evaluación, seguridad y gobernanza | Huyen, Chip — Designing Machine Learning Systems — ISBN 9781098107956 · web de la obra · pendiente de confirmar en su catálogo Russell, Stuart J. y Norvig, Peter — Artificial Intelligence: A Modern Approach — ISBN 9780134610993 · web de la obra |
| 14 · Frontera, investigación y proyectos integradores | Russell, Stuart J. y Norvig, Peter — Artificial Intelligence: A Modern Approach — ISBN 9780134610993 · web de la obra Goodfellow, Ian, Bengio, Yoshua y Courville, Aaron — Deep Learning — ISBN 9780262035613 · web de la obra |
📚 Bibliografía completa — todas las obras, normas y especificaciones con su localizador · 🧾 Cómo se verifica · 🗺️ Mapa parte → obra
Esa tabla la escribe
python scripts/verify-sources --writedesde el registro. No se edita a mano: si alguien la toca, CI falla.
El registro se comprueba en dos capas que no se mezclan: scripts/verify-sources es offline y
determinista y bloquea CI —esquema, dígito de control del ISBN-13, forma canónica del
localizador, cobertura de todo lo que las clases citan y coincidencia de lo publicado con el
registro—, y scripts/refresh-sources es la capa en red, manual, que resuelve ISBN contra Open
Library y DOI contra Crossref y el sistema de handles. Si la red entrara en CI, el CI se volvería
inestable y se acabaría ignorando.
python -m venv .venv
source .venv/bin/activate # Windows: .venv\Scripts\activate
pip install -e .
ai-evolution catalog
ai-evolution validate
ai-evolution run 001
ai-evolution frontier
ai-evolution papers # los 148 hitos del eje
ai-evolution paper P08 # ficha de Attention Is All You Need
ai-evolution paper-lab P08 # ejecuta su miniaturaSin instalar el paquete:
python scripts/validate_repository.py
python classes/part-01-symbolic-ai-search-logic-and-planning/013-espacios-de-estados-y-formulacion-de-problemas/lab.pySitio local:
python -m http.server 8080Abre http://localhost:8080/site/.
El mismo programa, en tres formas. Todas llevan el contenido dentro: funcionan sin conexión y sin cuenta.
| 🖥️ Escritorio (Windows) | 📱 Android · 🌐 PWA |
|---|---|
 |
 |
| Visor nativo del catálogo: busca, navega las 15 partes y abre el README o el sitio de cada clase | La app Android y la PWA cargan el mismo sitio: 183 clases, 148 papers y progreso local |
Los enlaces apuntan siempre a la última release, así que no caducan al publicar una versión nueva:
| Descarga | Formato | Para qué |
|---|---|---|
| Instalador | setup-windows-x64.exe |
Uso normal: menú de inicio y desinstalador |
| MSI | windows-x64.msi |
Implantación gestionada: msiexec /qn, GPO, Intune |
| Portable | portable-windows-x64.zip |
Sin instalar: descomprimir y ejecutar |
| Ejecutable único | windows-x64.exe |
Un solo fichero; arranca algo más lento |
| Android | android.apk |
Móvil y tableta |
Cada release publica además SHA256SUMS-windows.txt y SHA256SUMS-android.txt para verificar
lo que descargas:
sha256sum -c SHA256SUMS-windows.txtNote
El APK está firmado con una clave de depuración, no de publicación: se instala activando
«orígenes desconocidos» y no procede de Google Play. Los ejecutables de Windows no están
firmados con certificado de código, así que SmartScreen avisará la primera vez. Comprueba el
SHA256SUMS de la release antes de ejecutarlos.
Las tres se compilan desde el mismo repositorio con
desktop.yml y android.yml.
Las capturas se regeneran con python scripts/generate_screenshots.py --escritorio.
| Portada | Matriz clase ↔ paper |
|---|---|
 |
 |
El mismo contenido de las clases, listo para imprimir o leer offline
(generado desde la fuente markdown con python scripts/generate_pdfs.py):
- 📕 Programa completo (1 178 páginas)
- 📜 Papers fundacionales (1 230 páginas) — las 148 fichas,
las 5 guías, los 5 anexos matemáticos, la matriz clase ↔ paper y las 148 evaluaciones del eje
(
python scripts/generate_pdfs.py --papers) - Por parte: 00 · 01 · 02 · 03 · 04 · 05 · 06 · 07 · 08 · 09 · 10 · 11 · 12 · 13 · 14
classes/part-XX-slug/NNN-topic/
├── README.md ← incluye la teoría completa de la clase
├── assessment.md
├── lesson.yaml
├── lab.py
├── notebook.ipynb
├── notebook_student.ipynb
└── notebook_solution.ipynb
papers/
├── catalog/papers.json ← fuente de verdad (16 entradas validadas)
├── catalog/sources.yaml ← venues y repositorios primarios
├── foundational/PXX_slug/ ← ficha de 18 secciones
├── guides/ ← cómo leer, 5 pasadas, plantilla, glosario, fuentes
└── manifest.json ← inventario con SHA-256 (generado)
notebooks/papers/PXX_slug.ipynb ← 17 momentos, del contexto al desafío autónomo
instructor/papers/PXX_slug.md ← plan de sesión de 90 minutos
student/papers/PXX_slug.md ← ruta de estudio y checklist
assessments/papers/PXX_slug.md ← evaluación con rúbrica A/B/C
Regenerar y verificar el eje completo:
python scripts/generate_papers.py
python scripts/generate_papers.py --checkEste programa enseña la evolución de la IA: de dónde salió cada idea, qué problema resolvía y dónde falla. No pretende ser además un curso de Python, de matemática, de nube o de seguridad. Para eso hay repositorios hermanos, y aquí está qué aporta cada uno y qué parte de este programa extiende.
| Repositorio | Qué aporta | Qué extiende de aquí |
|---|---|---|
| 🧮 Computational Mathematics Program | 18 partes · 360 clases · 1080 notebooks, con demostraciones deterministas verificadas en CI | Los 5 anexos matemáticos comprimen lo imprescindible; esto lo desarrolla entero |
| 🐍 Python Data Science Program | 232 clases · Python/Polars, ML clásico, estadística, causalidad y MLOps | La parte 03 (ML clásico) y la 12 (MLOps), que el eje de papers no cubre |
| 🧠 Neural Network Training Labs | 31 rutas · 93 notebooks · PyTorch, ONNX/INT8, DDP/FSDP2, champion/challenger | La parte 04: aquí se lee el paper, allí se entrena y se despliega de verdad |
| 🤖 LangGraph Realworld | 25 casos empresariales con LangGraph y FastAPI, con observabilidad y 8 capas de seguridad | Las partes 09 y 10: del patrón de agente al sistema en producción |
| 🔒 MCP + Ollama Local | Chat con LLM local, herramientas MCP en sandbox e historial, sin enviar datos a la nube | Las partes 06 y 09: ejecutar y dar herramientas a un modelo sin API de pago |
| 🎨 ChofyAI Studio | Lanzador local que orquesta cinco herramientas de IA creativa (TTS, transcripción, imagen) | La parte 07: generativa multimedia ejecutándose en tu equipo |
| Repositorio | Qué aporta | Qué extiende de aquí |
|---|---|---|
| ☁️ Multi-Cloud Engineering Program | 288 clases · AWS, Azure, GCP, Kubernetes, Terraform, SRE y FinOps | La parte 12: dónde vive de verdad un sistema de IA en producción |
| 🛡️ Modern Cybersecurity Program | 340 clases · laboratorios Docker, retos CTF y mapeo a 7 certificaciones | La parte 13: seguridad más allá de la superficie propia de la IA |
| 🧪 Sandbox Labs | 36 casos de aislamiento en Linux, con evidencia firmada de qué controles se aplicaron | Las clases 164 y 119: ejecutar herramientas ajenas con mínimo privilegio |
| 🐳 Docker Labs · WSL Labs | Contenedores en varios stacks, y el motor nativo de WSL sin Docker Desktop | El entorno reproducible que los laboratorios dan por supuesto |
| 🔧 Problem-Driven Systems Lab | 12 problemas reales resueltos en 7 stacks, con evidencia operacional | La parte 12: rendimiento, observabilidad y resiliencia con las manos |
| Repositorio | Qué aporta | Con qué conecta |
|---|---|---|
| 🧬 Human Genome Labs | Plataforma reproducible de genética molecular, con contratos de resultado científico | P47 AlphaFold y la clase 181 |
| 🤖 Automa PC | Orquestador local de procesos con flujos declarativos, OCR y visión | La parte 11: uso de computador y automatización de escritorio |
| ⛓️ Blockchain Learning Path · 🏦 Finance & Banking | Infraestructura financiera programable y banca, con fuentes oficiales | Dominios donde la IA se aplica bajo regulación estricta |
| Repositorio | Qué aporta |
|---|---|
| 🧰 Claude Skills Toolkit | 14 skills agentic sin dependencias: auditoría de seguridad, versionado, linting, coherencia |
| 🤖 Operational AI Agents | 13 agentes con contrato, control humano y 39 evaluaciones deterministas |
| 🌐 Polyglot Programming Labs | 176 clases y 1360 implementaciones verificadas en 10 lenguajes |
Note
Las cifras son las que declara cada repositorio en su propio README. Son proyectos independientes: se enlazan porque se complementan, no porque compartan código, versión ni calendario. El resto del trabajo —videojuegos, empresa, liderazgo, herramientas forenses— está en el perfil completo.
- Sin base matemática → primero los anexos de este eje; si algo se resiste, el programa de matemática computacional.
- Quieres entrenar, no solo entender → parte 04 aquí, y después los labs de redes neuronales.
- Un agente a producción → partes 09 y 10 aquí, luego LangGraph Realworld y multi-cloud.
- Sin GPU ni API de pago → MCP + Ollama Local y ChofyAI Studio, todo en tu equipo.
|
|
El valor de este programa no está en acumular técnicas de IA, sino en recorrer su evolución con evidencia: cada clase produce un resultado reproducible, declara sus límites, y prepara exactamente lo que la siguiente etapa asume. Los agentes no son el inicio de la historia — son el capítulo que solo se entiende con los trece anteriores.
python -m unittest discover -s tests -v
python -m compileall -q src scripts classes apps
python scripts/validate_repository.py --strictCódigo y documentación original bajo MIT. Datasets, papers, modelos y servicios externos conservan sus propias licencias y términos.
Hecho para quien quiere entender la IA completa, no solo la última ola.
⬆️ Empezar por la clase 001 · 🌐 Sitio de estudio · 📖 Glosario · 📕 Programa completo en PDF · 🗺️ Roadmap
¿Te resulta útil? ⭐ Dale una estrella al repo.
Hecho con 🧠 y ☕ por Vladimir Acuña