<?xml version="1.0" encoding="UTF-8"?><rss xmlns:dc="http://purl.org/dc/elements/1.1/" xmlns:content="http://purl.org/rss/1.0/modules/content/" xmlns:atom="http://www.w3.org/2005/Atom" version="2.0" xmlns:cc="http://cyber.law.harvard.edu/rss/creativeCommonsRssModule.html">
    <channel>
        <title><![CDATA[Stories by Claudia Daniela on Medium]]></title>
        <description><![CDATA[Stories by Claudia Daniela on Medium]]></description>
        <link>https://medium.com/@Claudianiela?source=rss-bc2cfa80710a------2</link>
        <image>
            <url>https://cdn-images-1.medium.com/fit/c/150/150/1*Nnh7-u2MAVPqShfZuxCV7g.jpeg</url>
            <title>Stories by Claudia Daniela on Medium</title>
            <link>https://medium.com/@Claudianiela?source=rss-bc2cfa80710a------2</link>
        </image>
        <generator>Medium</generator>
        <lastBuildDate>Fri, 20 Nov 2026 05:38:42 GMT</lastBuildDate>
        <atom:link href="https://medium.com/@Claudianiela/feed" rel="self" type="application/rss+xml"/>
        <webMaster><![CDATA[yourfriends@medium.com]]></webMaster>
        <atom:link href="http://medium.superfeedr.com/" rel="hub"/>
        <item>
            <title><![CDATA[Claude episodio #1]]></title>
            <link>https://medium.com/@Claudianiela/claude-episodio-1-8cad953f71c7?source=rss-bc2cfa80710a------2</link>
            <guid isPermaLink="false">https://medium.com/p/8cad953f71c7</guid>
            <dc:creator><![CDATA[Claudia Daniela]]></dc:creator>
            <pubDate>Sat, 25 Apr 2026 05:03:14 GMT</pubDate>
            <atom:updated>2026-04-25T05:11:41.337Z</atom:updated>
            <content:encoded><![CDATA[<h3>MCP explicado con ejemplos</h3><h3>Si eres ingeniero de datos, esto te va a interesar</h3><blockquote><em>Imagina decirle a tu IA: “conecta con mi base de datos, trae los registros de hoy y avísame si hay anomalías.” Y que lo haga sola, sin que escribas ni una línea de SQL. </em>Eso es MCP — y en este episodio lo explico con ejemplos reales.</blockquote><figure><img alt="" src="https://cdn-images-1.medium.com/max/704/1*c3ZU3TGMmMXgMoeOgAWL5Q.png" /></figure><h3>¿Qué es MCP?</h3><p>MCP (Model Context Protocol) es el protocolo abierto de Anthropic que permite a Claude conectarse con herramientas externas: bases de datos, APIs, Drive, Gmail, Slack, y lo que necesites.</p><p>No es magia. Es arquitectura.</p><h3>Cómo funciona (paso a paso)</h3><ol><li><strong>Tú das la instrucción</strong> — en lenguaje natural, sin código en ese momento</li><li><strong>Claude elige la herramienta correcta</strong> — identifica qué servidor MCP necesita</li><li><strong>El servidor MCP ejecuta</strong> — actúa como puente autorizado con tus credenciales</li><li><strong>Claude te trae el resultado</strong> — procesado y listo para decidir</li></ol><h3>Un servidor MCP en código — así de simple</h3><pre>tools: [<br>  {<br>    name: &quot;query_database&quot;,<br>    description: &quot;Ejecuta SQL en la base de datos&quot;,<br>    inputSchema: { query: &quot;string&quot; }<br>  },<br>  {<br>    name: &quot;detect_anomalies&quot;,<br>    description: &quot;Analiza datos y detecta outliers&quot;<br>  }<br>]<br>// La IA lee esto y sabe exactamente qué puede hacer</pre><h3>Casos de uso reales</h3><h3>Pipeline de datos automatizado</h3><p>“Toma ventas_abril.csv → limpia nulos → carga en BigQuery → avísame”</p><p>El servidor MCP de Google Drive trae el archivo, Claude lo procesa y el MCP de BigQuery hace la carga. Tú no abres ninguna app.</p><h3>Monitoreo de métricas en tiempo real</h3><p>“Revisa DB cada hora. Si ventas &lt; -20% vs ayer → alerta a #data-team en Slack”. Claude revisa tu base de datos, detecta anomalías y avisa a tu equipo automáticamente.</p><h3>Reportes automáticos de BI</h3><p>“Genera reporte KPIs semana → PDF → envía a <a href="/service/mailto:lista@empresa.com">lista@empresa.com</a> vía Gmail”. Conecta a tu DWH, calcula métricas, crea el PDF y lo envía. Sin tocar Power BI ni Excel.</p><h3>Limpieza y validación ETL</h3><p>“Limpia datos.csv → detecta duplicados → valida fechas → devuelve log de cambios”. Claude detecta duplicados, corrige formatos y te devuelve un log detallado de qué cambió.</p><h3>Antes vs. después de MCP</h3><figure><img alt="" src="https://cdn-images-1.medium.com/max/808/1*puK5mwXzCXu-NUzeJuyPbA.png" /></figure><h3>Conclusión</h3><p>La IA no reemplaza al ingeniero de datos. Lo multiplica.</p><p>El que sepa conectar herramientas con MCP va a hacer en 1 hora lo que antes tomaba un día.</p><p>#MCP #IA #IngenieríaDeDatos #Claude #Anthropic #DataEngineering #Automatización</p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=8cad953f71c7" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[LlamaIndex: Potencia tus datos con IA]]></title>
            <link>https://medium.com/@Claudianiela/llamaindex-potencia-tus-datos-con-ia-f436cf3c3919?source=rss-bc2cfa80710a------2</link>
            <guid isPermaLink="false">https://medium.com/p/f436cf3c3919</guid>
            <dc:creator><![CDATA[Claudia Daniela]]></dc:creator>
            <pubDate>Mon, 30 Dec 2024 19:01:56 GMT</pubDate>
            <atom:updated>2024-12-30T19:09:21.063Z</atom:updated>
            <content:encoded><![CDATA[<p>En la era de los datos masivos y la inteligencia artificial, conectar fuentes de información diversa con modelos de lenguaje avanzados (LLMs) como ChatGPT-3.5 y GPT-4 es más importante que nunca.</p><p>Sin embargo, uno de los principales desafíos que enfrentan los usuarios es la incapacidad de estos modelos para procesar grandes volúmenes de datos directamente.</p><p><strong>LlamaIndex</strong> surge como una solución poderosa que organiza, estructura y prepara tus datos para interactuar eficientemente con LLMs.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*JZul4e4jJTxFnlTCScfN6w.png" /></figure><blockquote><strong>¿Qué es LlamaIndex?</strong></blockquote><p><strong>LlamaIndex</strong> es una herramienta diseñada para actuar como un puente entre tus datos y los modelos de lenguaje. Permite integrar múltiples fuentes de información (como APIs, archivos PDF, bases de datos SQL y más) y convertirlas en un formato comprensible para los LLMs.</p><p>Esto significa que, en lugar de gestionar fuentes de datos de manera independiente, puedes consolidarlas para consultas eficientes y personalizadas.</p><blockquote><strong>¿Por qué es necesario LlamaIndex?</strong></blockquote><p>Una problemática común al usar modelos de lenguaje como ChatGPT es la incapacidad para procesar grandes cantidades de datos sin errores. Esto se traduce en experiencias limitadas y frustrantes.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/953/1*8eNY_nFznaz24k9dx1AcTw.png" /><figcaption>Figura 2</figcaption></figure><p><strong>LlamaIndex</strong> aborda este problema organizando los datos en nodos manejables y conectándolos a través de sistemas avanzados de incrustaciones (embeddings). Esto garantiza que la información relevante esté accesible para los modelos de lenguaje, incluso en consultas complejas.</p><blockquote><strong>Ejemplo de uso</strong></blockquote><p>Imagina que tienes información en una base de datos SQL, archivos PDF, y hojas de cálculo. <strong>LlamaIndex</strong> permite integrarlos en un único sistema que los LLMs puedan comprender. Por ejemplo:</p><ul><li><strong>Consulta</strong>: “¿Cuáles son las tendencias de ventas de este trimestre?”</li><li><strong>Respuesta generada por el LLM a través de LlamaIndex</strong>: Un análisis detallado utilizando información consolidada de todas las fuentes de datos.</li></ul><blockquote><strong>Capacidades de LlamaIndex</strong></blockquote><ol><li><strong>Conexión con Múltiples Fuentes</strong></li></ol><ul><li><strong>APIs</strong>: Para acceder a datos dinámicos en tiempo real.</li><li><strong>PDFs</strong>: Extracción de información estructurada o no estructurada.</li><li><strong>Docs</strong>: Integración de archivos como Word o Markdown.</li><li><strong>SQL</strong>: Consultas avanzadas en bases de datos estructuradas.</li></ul><p><strong>2. Unificación de Datos</strong></p><p>Consolidar datos en un solo flujo es clave para aprovechar al máximo las capacidades de los LLMs. La imagen muestra cómo se organiza la información en un formato estándar.</p><blockquote><strong>Ventajas de Utilizar LlamaIndex</strong></blockquote><ul><li><strong>Eficiencia</strong>: Organiza grandes volúmenes de datos en nodos comprensibles.</li><li><strong>Escalabilidad</strong>: Soporta diversas fuentes de datos y modelos de lenguaje.</li><li><strong>Flexibilidad</strong>: Permite realizar consultas avanzadas y personalizadas.</li><li><strong>Compatibilidad</strong>: Funciona con modelos populares como GPT-3.5-Turbo y GPT-4.</li></ul><h4>Cómo LlamaIndex optimiza el procesamiento de datos</h4><p>En la primera parte de este blog, exploramos qué es LlamaIndex y cómo conecta tus datos con modelos avanzados de lenguaje (LLMs) como ChatGPT.</p><p>Ahora profundizaremos en cómo LlamaIndex organiza, divide y optimiza el acceso a tus datos mediante procesos avanzados de indexación.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*yOpXBfuTXWM7u8PvIU1pYQ.png" /><figcaption>Figura 3</figcaption></figure><blockquote><strong>Nodos e Indexación</strong></blockquote><p>LlamaIndex organiza los datos dividiéndolos en <strong>nodos</strong>, pequeñas unidades manejables que representan fragmentos de información. Estos nodos son la base del sistema, ya que permiten estructurar y acceder a grandes volúmenes de datos con precisión.</p><p><strong>División en nodos</strong></p><p>Tus datos, independientemente de su formato o fuente, son fragmentados en nodos. Por ejemplo:</p><ul><li>Un archivo PDF puede ser dividido en párrafos individuales.</li><li>Una base SQL se fragmenta en registros o filas específicas.</li><li>APIs externas se procesan en respuestas separadas.</li></ul><p>Cada nodo es tratado como una unidad independiente para facilitar su procesamiento y recuperación.</p><p><strong>Indexación de los nodos</strong></p><p>Una vez divididos, los nodos se organizan en índices optimizados para búsquedas rápidas y eficaces.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*Vusg01t6iIOP75dqliPgOw.png" /><figcaption>Figura 4</figcaption></figure><p>LlamaIndex soporta varios tipos de indexación según tus necesidades:</p><blockquote><strong>Tipos de Indexación en LlamaIndex</strong></blockquote><p>Cada proyecto tiene requisitos únicos. Por ello, LlamaIndex ofrece diversos métodos de indexación, ajustándose a diferentes casos de uso.</p><p><strong>Index Lineal</strong></p><ul><li><strong>Ventaja</strong>: Simplicidad. Ideal para datos con una estructura secuencial, como capítulos de libros.</li><li><strong>Ejemplo</strong>: Un manual técnico donde cada capítulo está indexado como un nodo.</li></ul><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*nJPbkh4Awbkj70cZgCn0Fg.png" /><figcaption>Figura 5</figcaption></figure><p><strong>Index basado en embeddings (Vector Index)</strong></p><ul><li><strong>Ventaja</strong>: Búsqueda semántica avanzada basada en representaciones vectoriales.</li><li><strong>Ejemplo</strong>: Artículos de investigación donde se busca por temas relacionados aunque las palabras exactas no coincidan.</li></ul><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*KVu0OzYrEXpXpGy8BqQANQ.png" /><figcaption>Figura 6</figcaption></figure><p><strong>Index Jerárquico (Hierarchical Index)</strong></p><ul><li><strong>Ventaja</strong>: Organización en forma de árbol para categorías complejas.</li><li><strong>Ejemplo</strong>: Un sistema de turismo internacional donde las ciudades están clasificadas por continente y país.</li></ul><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*0_1sNDQUz-sPNCUmpX_uoA.png" /><figcaption>Figura 7</figcaption></figure><p><strong>Index basado en tópicos (Keyword Index)</strong></p><ul><li><strong>Ventaja</strong>: Búsquedas rápidas utilizando palabras clave asociadas.</li><li><strong>Ejemplo</strong>: FAQs categorizadas por temas como clima, política o población.</li></ul><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*lOJnLxtl7rd5srs2e3LLxw.png" /><figcaption>Figura 8</figcaption></figure><blockquote><strong>Proceso RAG (Retrieval-Augmented Generation)</strong></blockquote><p>LlamaIndex utiliza un flujo denominado <strong>RAG</strong> (Generación aumentada por recuperación). Este flujo garantiza que el modelo solo acceda a los datos más relevantes y precisos para generar respuestas útiles.</p><ol><li><strong>División de datos</strong>: Los datos se dividen en nodos pequeños.</li><li><strong>Indexación</strong>: Los nodos se transforman en representaciones vectoriales o se categorizan para búsquedas rápidas.</li><li><strong>Retrieval</strong>: Se recuperan los nodos más relevantes según la consulta del usuario.</li><li><strong>Síntesis</strong>: El modelo de lenguaje genera una respuesta precisa basada en los nodos seleccionados.</li></ol><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*J8-KZCivotWni4SyehVADQ.png" /><figcaption>Figura 9</figcaption></figure><blockquote><strong>Casos de Uso Reales: La Flexibilidad de LlamaIndex</strong></blockquote><p>LlamaIndex permite trabajar con datos heterogéneos de múltiples fuentes, como APIs, hojas de cálculo, documentos, y bases de datos SQL. Estos son algunos ejemplos prácticos:</p><p><strong>Consolidación de Datos Empresariales</strong><br>Empresas con información dispersa en herramientas como Salesforce, Google Sheets, y SQL pueden integrarla en un solo flujo. LlamaIndex organiza los datos y permite realizar consultas avanzadas para análisis rápidos.</p><p><strong>Bibliotecas de Investigación</strong><br>Investigadores que trabajan con cientos de artículos y publicaciones pueden utilizar LlamaIndex para crear índices semánticos, facilitando la búsqueda de papers relevantes por temas o conceptos.</p><p><strong>Sistemas de FAQ Dinámicos</strong><br>LlamaIndex es ideal para construir sistemas de preguntas frecuentes (FAQs) que utilizan una mezcla de fuentes, como documentos y APIs, para responder a consultas específicas con precisión.</p><h4>Construcción de un esquema RAG con LlamaIndex desde cero</h4><p>La estructura RAG (Retrieval-Augmented Generation) combina modelos de lenguaje y bases de datos para generar respuestas precisas basadas en datos.</p><h4>1. Preparación del Entorno</h4><p>Para implementar un esquema RAG, es importante contar con un entorno adecuado.</p><p>Aquí usamos Google Colab con una GPU T4 por el alto rendimiento requerido para realizar ciertas operaciones como :</p><p>Generación de embeddings, entrenamiento de modelos, etc.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*4B8Ajb_FW_dy2lhJy4O-rA.png" /><figcaption>Google Colab - GPU T4</figcaption></figure><p>Instalación de dependencias:</p><p>Esta sección describe el proceso de instalación de las dependencias necesarias para trabajar con LlamaIndex y su integración con modelos de embeddings de HuggingFace.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/972/1*5FTKjNrAMiyb_WdwkPlU3g.png" /><figcaption>Fuente: Google Colab</figcaption></figure><h4>2. Preparación de los Datos</h4><blockquote><strong>a. Recopilación de datos</strong></blockquote><p>Reunimos documentos en formatos como PDFs o archivos de texto.</p><blockquote><strong>b. Limpieza de datos</strong></blockquote><p>Extraemos texto utilizando herramientas como PyPDF2:</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/960/1*5y6Vnysrvm4TxnIpBFr6NQ.png" /><figcaption>Fuente: Google Colab</figcaption></figure><h4>c. División en Nodos</h4><p>Los datos se dividen en fragmentos manejables:</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*fYnGfDiMUehx7hFvhvQcMg.png" /><figcaption>Fuente: Google Colab</figcaption></figure><h3>3. Generación de Embeddings</h3><p>Seleccionamos un modelo de embedding:</p><p>Selecciona un modelo de embeddings: se utilizar a través de la API<br> En este caso se utiliza text-embedding-ada-002 (openAI) o un modelo de lenguaje de HuggingFace<strong> .</strong></p><p><strong>HuggingFace</strong> es una plataforma y biblioteca muy popular en el mundo de ML, lo que hace es proporcionar modelos pre-entrenados y servicios para facilitar la implementación de soluciones de inteligencia artificial como sentence-transformers.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/376/1*9AfIjpjDHmM2bAxFKqeO9w.png" /><figcaption>HuggingFace</figcaption></figure><figure><img alt="" src="https://cdn-images-1.medium.com/max/974/1*EwaFdHlMAX0DSytrVFlsrA.png" /><figcaption>Fuente: Google Colab</figcaption></figure><h3>4. Creación de la Base de Conocimiento</h3><p>Luego, guardamos los embeddings en una base de datos vectorial (FAISS):</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/947/1*g-DirGpVzWxZ7pbBsdkYNw.png" /><figcaption>Fuente: Google Colab</figcaption></figure><h3>5. Implementación del Modelo LLM</h3><p><strong>a. Configuración del Modelo LLM:</strong></p><p>Configuramos el modelo de lenguaje (GPT-3.5-Turbo):</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/969/1*SCVUtR9rsT5oFa9mS11Q_A.png" /><figcaption>Fuente: Google Colab</figcaption></figure><p><strong>b. Montaje de Google Drive</strong></p><p>Este paso es fundamental para cargar tus datos de manera eficiente desde un entorno colaborativo en la nube.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1015/1*VJm1DED3t0Vk5mN7Y8ISUw.png" /><figcaption>Google Drive</figcaption></figure><p>Este paso es crucial para cargar los documentos y generar un índice vectorial basado en ellos.</p><p><strong>c. Creación del índice Vectorial</strong></p><figure><img alt="" src="https://cdn-images-1.medium.com/max/994/1*lpejPhSTR8RZCT4yrBuC0w.png" /></figure><ul><li><strong>SimpleDirectoryReader(ruta)</strong>: Permite cargar todos los documentos desde la ruta especificada.</li><li><strong>VectorStoreIndex(documentos):</strong> Convierte los documentos en embeddings y los almacena en un índice vectorial.</li></ul><h3>6. Recuperación y Consulta</h3><ul><li><strong>Consulta a la Base de Datos</strong>: Recupera nodos relevantes con búsquedas semánticas.</li><li><strong>Generación de Respuestas</strong>: Los nodos relevantes se pasan al LLM para generar respuestas precisas y contextuales.</li></ul><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*CT2WYv2pPIswJnu_pSjWEw.png" /></figure><h3>7. Interfaz de Usuario</h3><p>Finalmente, puedes crear una interfaz simple con Flask o Streamlit para que los usuarios interactúen con el sistema de manera amigable.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/929/1*GYl_rlCMVXyKyBDMGEPljA.png" /></figure><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*PFtJLtYg4maK5-F4OUeiKA.png" /></figure><p>En conclusión LlamaIndex es una herramienta poderosa para integrar datos y modelos de lenguaje avanzados de manera eficiente. En este blog, te he mostrado cómo construir un esquema RAG desde cero, optimizando la búsqueda y consulta de información. LlamaIndex se presenta como una solución ideal para proyectos con datos complejos y buscan aprovechar al máximo la inteligencia artificial.🚀</p><p>Gracias por leer! Nos vemos en el próximo artículo.😊</p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=f436cf3c3919" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[Creando hábitos saludables]]></title>
            <link>https://medium.com/@Claudianiela/creando-h%C3%A1bitos-saludables-1c80fb11f0a8?source=rss-bc2cfa80710a------2</link>
            <guid isPermaLink="false">https://medium.com/p/1c80fb11f0a8</guid>
            <category><![CDATA[hàbits]]></category>
            <category><![CDATA[habits]]></category>
            <category><![CDATA[hábitos-saludables]]></category>
            <category><![CDATA[crecimiento-personal]]></category>
            <category><![CDATA[inspiration]]></category>
            <dc:creator><![CDATA[Claudia Daniela]]></dc:creator>
            <pubDate>Tue, 27 Jul 2021 18:25:10 GMT</pubDate>
            <atom:updated>2022-06-16T15:53:13.080Z</atom:updated>
            <content:encoded><![CDATA[<figure><img alt="" src="https://cdn-images-1.medium.com/max/768/1*GiHNrT4hqNPIOgrCSUwmcg.jpeg" /></figure><p>Como pequeña intro hablaré acerca de cómo fue para mí el proceso de crear hábitos y porqué me inspiré en crear y hablar de ellos.</p><p>Muchas veces esperamos exactamente un momento de nuestra vida esperando algo como caído del cielo; un milagro que nos de la solución de todos nuestros conflictos o desaciertos ya sea en el ámbito personal, profesional, sentimental, académico, whatever.</p><p>Y en ese proceso yo me encontraba y me di cuenta que nada absolutamente nada en la vida es perfecto, pero descubrí que nosotros creamos lo perfecto, nosotros vemos la vida, nosotros tenemos la capacidad de darle esa chispa de cómo queremos vivirla.</p><p>Entonces fue en ese momento que tuve dos decisiones, vivir mi vida plenamente con lo que tengo y con lo que soy, disfrutando cada minuto, cada segundo que la vida me da la para vivir y poder estar con los seres que más amo, para reivindicarme y mejorar cada día, agradeciendo cada partícula de mi ser, disfrutando de mis 5 sentidos, de oler, ver flores, escuchar el sonido del mar, de abrazar, de hacer deporte, aprender algo nuevo, etc. O vivir creyendo o creando y cuando digo creando es porque todo lo que manifestamos lo creamos, y si creamos una vida basada en un pensamiento de que “algún día viviré la vida de mis sueños” sabes, no hay otra vida que te asegure que realizarás todo lo que sueñas hoy!, es en esta vida que tenemos la oportunidad de realizar todo lo que queramos vivir, Y…sabes nada es imposible; Y es en ese preciso momento que nacen los hábitos en mi vida.</p><p>Fue entonces que por primera vez tuve que tomar las riendas de mi vida y hacerme responsable e incluso de mis propias emociones, entonces entendí que la vida no es fácil, pero es gratificante cada momento, por eso vive tu momento sin importar nada, es tu vida disfrutarla sin que nada ni nadie te pare, no te pierdas de vivir tu vida por expectativas o experiencias ajenas. Las cosas buenas llegan y tienes que estar listo para ese momento, y el arte de agradecer por todo incluso por las pequeñas cosas que nos suceden es un imán de cosas increíbles.</p><p>Y para hacer mérito al título de mi primer blog espero que no sea el último, comentaré de 3 principales hábitos que tuve que implementar en mi vida para llegar a este punto de tranquilad y de vivir como yo quiero sin estereotipos y estándares, solo vivir como yo quiero.</p><ol><li><strong>Hábito de la gratitud: </strong>Para mí el hábito más importante es el de la gratitud, no es complejo, bueno crear hábitos no es tarea fácil para algunos, pero considero que es el más fácil porque agradecer cada día así sea lo mínimo, créeme se vuelve un hábito increíble trae consigo muchas cosas buenas, lo recomiendo y mucho.</li><li><strong>Hábito de la disciplina: </strong>Para mi este hábito es el de la motivación, aunque considero que no siempre se tiene que esperar estar motivados para tener disciplina, por lo contrario es un hábito que se tiene que tener mucha fuerza de voluntad, luchar con nuestra propia mente para poder encontrar la motivación.</li><li><strong>Hábito de amor propio:</strong> Un hábito difícil pero lindo, amor propio no es solo ir al spa, se tiene que trabajar mucho para tener conciencia de que somos más que un cuerpo.</li></ol><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=1c80fb11f0a8" width="1" height="1" alt="">]]></content:encoded>
        </item>
    </channel>
</rss>