Clasifica tu correo en local con Ollama y AI Email Filter

Resumen. Instala Ollama, descarga un modelo instruct pequeño y apunta el ajuste Bring Your Own LLM de AI Email Filter a http://localhost:11434/v1. La clasificación se ejecuta entonces por completo en tu propio hardware — no se envía contenido de correo a ninguna API de terceros.

Lectura relacionada: Bring Your Own LLM · Clasificación de correo autoalojada

Si ya gestionas tu propio servidor de correo, enviar cada línea de asunto y cada dirección de remitente a un LLM en la nube para clasificarlos anula media razón de autoalojar. Ollama resuelve esto: ejecuta una API compatible con OpenAI en tu propia máquina, y AI Email Filter puede hablar con ella directamente a través de su ajuste BYO-LLM. Este artículo recorre la configuración de principio a fin.

Por qué ejecutar el clasificador en local

AI Email Filter clasifica el correo usando el asunto, el remitente y una breve vista previa del cuerpo. Con un modelo alojado, esos datos van al proveedor que elijas. Con Ollama, no salen de la máquina donde se ejecuta. El compromiso es velocidad y calidad bruta de clasificación frente a un gran modelo alojado — pero para ordenar correo en carpetas según un prompt claro, un modelo local pequeño suele ser más que suficiente, y recategorizar un remitente con el que no estás de acuerdo cuesta un clic, sea cual sea el modelo que tomó la decisión.

La otra razón para hacerlo: el coste. Un modelo local no tiene factura por token. Si ejecutas Ollama en hardware que ya posees, la clasificación es prácticamente gratuita después de la configuración inicial.

Paso 1: Instalar Ollama

En Linux o macOS:

curl -fsSL https://ollama.com/install.sh | sh

En Windows, descarga el instalador desde ollama.com/download. En ambos casos, Ollama se instala como un servicio en segundo plano y empieza a escuchar en localhost:11434 automáticamente — normalmente no necesitas ejecutar ollama serve manualmente, salvo que hayas detenido el servicio y quieras ejecutarlo en primer plano para depurar:

ollama serve

Comprueba que está activo:

curl http://localhost:11434/api/tags

Una respuesta vacía {"models":[]} significa que Ollama está en marcha pero aún no has descargado ningún modelo.

Paso 2: Descargar un modelo adecuado para clasificación

La clasificación de correo es una tarea pequeña y bien definida — remitente, asunto y una breve vista previa, comparados con la descripción de una categoría. No necesitas un modelo grande para esto. Los modelos instruct pequeños son rápidos, ligeros en RAM y lo bastante precisos para el trabajo:

ollama pull qwen2.5:3b-instruct
# o
ollama pull llama3.2:3b
# o, para la huella más ligera
ollama pull phi3:mini

qwen2.5:3b-instruct y llama3.2:3b funcionan sin problemas en una máquina con 8GB de RAM y sin GPU; phi3:mini es aún más pequeño y una opción razonable en hardware más limitado, como una Raspberry Pi 5 o un portátil antiguo reconvertido en servidor doméstico. Si tienes GPU o no te importa una clasificación más lenta, un modelo instruct de clase 7B (por ejemplo qwen2.5:7b-instruct o mistral:7b) será generalmente más preciso distinguiendo categorías parecidas.

Confirma que el modelo se ha descargado:

ollama list

Paso 3: Apuntar AI Email Filter hacia Ollama

En los ajustes de AI Email Filter, abre la sección de proveedor de LLM y elige la opción de endpoint personalizado/compatible con OpenAI. Configura:

• URL base: http://localhost:11434/v1
• Modelo: la etiqueta exacta que descargaste, por ejemplo qwen2.5:3b-instruct
• Clave de API: Ollama no la comprueba, así que cualquier valor de relleno funciona — pero normalmente el campo no puede quedar vacío

Este es el mismo mecanismo BYO-LLM que AI Email Filter usa para un endpoint compatible con OpenAI alojado; Ollama simplemente expone esa misma forma de API en local.

Un detalle de red que suele confundir: localhost solo resuelve a Ollama si AI Email Filter se ejecuta en la misma máquina. Si AI Email Filter corre en un contenedor o en un host distinto al de Ollama, usa la IP de red local o el nombre de host de la máquina en lugar de localhost, asegúrate de que Ollama está configurado para escuchar en 0.0.0.0 en vez de solo en la interfaz loopback, y que tu firewall permite la conexión en el puerto 11434.

Paso 4: Probar antes de confiar

Ejecuta una prueba en seco sobre un puñado de correos reales y compara los resultados con tus descripciones de categoría antes de activar cualquier acción destructiva. Los modelos pequeños son más sensibles a prompts de categoría vagos que los grandes modelos alojados — si dos categorías se solapan (“Trabajo” y “Proyecto X”), un modelo de 3B tiene más probabilidades de difuminar la línea que un modelo de clase GPT-4. Afinar la descripción de la categoría suele solucionarlo más rápido que cambiar de modelo.

Sender Smart Categories ayuda también aquí: una vez que un remitente se clasifica correctamente, esa decisión se guarda en caché, así que el modelo local solo tiene que acertar una vez por remitente, no en cada correo individual.

Qué ganas con esto

Con Ollama como backend, el paso de clasificación de AI Email Filter nunca sale de tu infraestructura. Combinado con un servidor de correo autoalojado, esto cierra la última brecha por la que los metadatos del correo tocarían a un tercero — consulta clasificación de correo autoalojada para ver cómo encaja esto en una configuración completamente autogestionada, y Bring Your Own LLM para conocer los demás endpoints que admite este mismo ajuste si más adelante decides que un modelo alojado es un mejor compromiso.

La elección de modelo tampoco es definitiva. Si un modelo pequeño no es lo bastante preciso para una categoría complicada, descarga uno más grande y cambia el campo de modelo — sin ningún otro cambio de configuración.

Mantener Ollama funcionando de forma fiable

Un par de detalles operativos importan si quieres que esta configuración siga funcionando sin supervisión:

• Descarga por inactividad. Por defecto, Ollama descarga un modelo de memoria tras unos minutos de inactividad y lo vuelve a cargar en la siguiente solicitud, lo que añade un breve retraso a la primera clasificación después de un periodo tranquilo. Si ese retraso importa, define OLLAMA_KEEP_ALIVE=-1 (o una duración más larga) como variable de entorno antes de iniciar el servicio para mantener el modelo residente.
• Solicitudes concurrentes. Si AI Email Filter clasifica un lote de correos a la vez, Ollama los procesa según su paralelismo configurado (OLLAMA_NUM_PARALLEL), que por defecto es un número pequeño en configuraciones solo con CPU. Para un buzón personal esto rara vez es un cuello de botella; para un buzón compartido con mucho volumen, merece la pena revisarlo.
• Actualizar el modelo. Volver a ejecutar ollama pull <model> descarga la última versión de una etiqueta sin pasos adicionales — útil si un modelo del que dependes recibe una versión actualizada.

Nada de esto es específico de AI Email Filter — es funcionamiento estándar de Ollama — pero es la parte que la gente suele encontrarse solo después de que la configuración inicial funciona y empiezan a depender de ella día a día.