Agentes de IA Open Source en 2026: Guía Técnica Completa

En algún momento de 2025 cruzamos un umbral que muchos llevaban años esperando: tener un asistente de IA personal, operativo 24 horas al día, conectado a WhatsApp o Telegram, corriendo en tu propio hardware, pasó de ser un proyecto de fin de semana con más parches que código a algo que cualquier persona con curiosidad técnica puede montar en una tarde.

El ecosistema que emergió de ese cruce es lo que cubre esta guía: cinco proyectos open source — OpenClaw, NanoBot, PicoClaw, MimiClaw y ZeroClaw — que representan cinco filosofías distintas de resolver el mismo problema. También cubrimos los proveedores de LLM que más sentido tienen para cada caso y, lo más importante, la mecánica real del coste.

Antes de hablar de los agentes, hay que entender algo que la mayoría de tutoriales pasan por alto: en un agente que funciona de forma continua, el coste viene casi siempre del input, no del output.

Un agente 24/7 no es solo un chatbot reactivo: tiene heartbeats de mantenimiento, revisiones de memoria, cron jobs periódicos, y cada una de esas operaciones arrastra un contexto enorme al principio de cada llamada. El system prompt completo, el historial, los fragmentos de memoria recuperados por RAG, los resultados de herramientas anteriores.

Un usuario que no optimiza su configuración puede llegar a ratios de 500 tokens de input por cada token de output.

Los cuatro culpables principales del ratio alto:

• Heartbeats demasiado frecuentes. La solución es sincronizar el heartbeat con el TTL del caché del proveedor.
• Historial sin compaction. Los sistemas necesitan mecanismos que resuman el historial antes de que crezca demasiado.
• Tool outputs guardados sin procesar. Lo correcto es guardar los outputs grandes fuera del chat y conservar solo un resumen.
• Memoria inyectada sin límite. Si la búsqueda en memoria devuelve todos los fragmentos sin tope, el system prompt se infla.

La fórmula simple para comparar modelos:

Coste real ≈ 500 × precio_input_por_token + 1 × precio_output_por_token

Ultra-baratos (routing y respuestas cortas):

GLM-4.7-Flash (Z.AI) — $0.06/M input, $0.40/M output. 30B parámetros, 59.2% en SWE-bench verified.

Gemini 2.5 Flash-Lite (Google) — ~$0.08–0.10/M input. Contexto de 1M tokens, soporte nativo de PDFs.

Baratos con buena capacidad:

GPT-5 nano (OpenAI) — ~$0.05/M input, $0.40/M output. Velocidad de generación alta.

DeepSeek V3.1 — ~$0.27/M input, $1.00/M output. Superior en coding y análisis.

Para razonamiento complejo:

Kimi K2 (Moonshot) — ~$0.58/M input con cache hits a ~$0.10–0.15/M. Contexto de 262K tokens.

DeepSeek R1 — ~$0.55/M input, $2.19/M output. Cadena de razonamiento transparente.

Prompt caching: el multiplicador de ahorro más subestimado. La combinación heartbeat + caching puede reducir el coste de operación continua un 80–95%.

OpenClaw es un "sistema operativo de asistente de IA": un runtime completo que gestiona sesiones, memoria, herramientas, skills, proveedores de modelos y múltiples canales de comunicación simultáneamente. Licencia MIT, más de 30.000 estrellas en GitHub.

Qué puede hacer:

• Gateway nativo para WhatsApp, Telegram, Slack, Discord, Signal, iMessage, Teams
• Gestión de múltiples sesiones con contexto aislado por canal
• Herramientas integradas: browser, filesystem, ejecución de código, APIs, con sandboxing
• Sistema de skills extensible con repositorio propio (ClawHub)
• Memoria a largo plazo con compaction automática
• Heartbeat configurable con soporte de prompt caching
• Deploy con un clic en DigitalOcean Marketplace

Cuándo tiene sentido: Cuando necesitas el ecosistema más maduro: más canales, más skills de terceros, más documentación, más comunidad.

Instalación: TypeScript/Node.js. Docker Compose o CLI. Al menos 1–2 GB de RAM disponibles.

NanoBot nació como respuesta directa a la complejidad de OpenClaw. Su tagline es "The Ultra-Lightweight OpenClaw" y fue creado por el grupo HKUDS (Hong Kong University of Data Science). ~20.000 estrellas en GitHub.

La filosofía: Mismas ideas que OpenClaw pero con la base de código más pequeña y legible posible. ~4.000 líneas de Python.

Qué puede hacer:

• Integración con Telegram, Discord, WhatsApp
• Soporte de múltiples proveedores: OpenAI, Anthropic, Gemini, GLM/Zhipu, Bedrock, vLLM, modelos locales
• Soporte de visión e input de voz en Telegram
• Herramientas base: búsqueda web, shell, ficheros, time
• Memoria persistente. Heartbeat y cron configurables
• Footprint en RAM de ~100MB. Soporte Docker

Cuándo tiene sentido: Cuando quieres iterar rápido, Python como zona de confort, o personalizar el agente. También la opción más documentada para Raspberry Pi Zero 2W (512MB RAM).

Instalación: Python 3.10+. pip install nanobot o git clone. Config en ~/.nanobot/config.json.

PicoClaw viene de Sipeed, fabricante de placas RISC-V. Escrito en Go. Menos de 10MB de RAM y arranque en <1 segundo. ~12.400 estrellas en GitHub.

Qué puede hacer:

• Gateway para Telegram, Discord, QQ y DingTalk
• Cron scheduler integrado
• Multi-proveedor: OpenRouter, GLM/Zhipu, cualquier endpoint OpenAI-compatible
• Herramientas: búsqueda web via Brave Search API, shell, ficheros
• Memoria persistente con gestión de historial
• Binario único que compila para RISC-V, ARM64 y x86

Cuándo tiene sentido: Cuando quieres un appliance estable 24/7 con mínima huella de recursos. Hardware edge: SBC de $10, Raspberry Pi 3, VPS de $3–5/mes.

Instalación: Descargar binario precompilado. chmod +x picoclaw && ./picoclaw onboard. Compatible con Ubuntu 24.04.

MimiClaw es el proyecto más extremo: un agente corriendo en un microcontrolador ESP32-S3 de $5, sin Linux, sin Node.js, escrito en C bare-metal. ~1.700 estrellas en GitHub.

La filosofía: El chip no piensa, piensa el LLM en la nube; el chip orquesta, almacena localmente y controla hardware.

Qué puede hacer:

• Interfaz Telegram: recibe mensajes, llama al LLM, responde
• WebSocket LAN para clientes web o scripts
• Memoria en flash: SOUL.md, USER.md, MEMORY.md
• Herramientas: búsqueda web, get_time y control GPIO — relés, sensores, LEDs
• Bucle ReAct completo. Memoria que sobrevive reinicios
• OTA updates por WiFi

Limitaciones reales: No ejecuta LLM localmente. Sin multi-usuario avanzado. Sin extensibilidad dinámica de herramientas.

Cuándo tiene sentido: Domótica con GPIO + asistente conversacional. Nodos edge con consumo de 0.5W.

Instalación: Hardware: ESP32-S3 con 16MB flash + 8MB PSRAM (~$5–10). Toolchain: ESP-IDF 5.5.

ZeroClaw es el más joven y técnicamente ambicioso. Escrito en Rust, filosofía "Zero Overhead, Zero Compromise". 3.400 estrellas en solo 2 días.

Qué puede hacer:

• Daemon mode 24/7 con zeroclaw daemon + zeroclaw status
• Herramientas: shell sandboxed, file con path scoping, memory, browser
• Memoria embebida en SQLite con búsqueda híbrida FTS5 + vector similarity
• 22+ proveedores de LLM, incluyendo endpoints locales
• Multi-canal: Telegram, Discord, Slack
• Binario único de ~3.4MB; ~7.8MB de RSS en pico

Los tres modos de autonomía: readonly (solo observa), supervised (pide aprobación humana para acciones críticas), full (autonomía completa).

Seguridad first-class: Filesystem scoping, allowlists, secretos cifrados, pairing-based access. Prometheus + OpenTelemetry integrados.

Cuándo tiene sentido: Cuando la seguridad, la observabilidad y la estabilidad en producción son requisitos, no opcionales.

Instalación: Binario único compilado en Rust. Config en JSON, secrets cifrados. Docker disponible.

Si tu prioridad es el ecosistema maduro, con más canales soportados, más skills y más documentación, elige OpenClaw.

Si quieres iterar rápido o personalizar, elige NanoBot. ~4.000 líneas de Python legible, la más hackeable del grupo.

Si quieres simplicidad operativa 24/7, elige PicoClaw. Un binario, un JSON, arranque instantáneo, <10MB de RAM.

Si tu proyecto tiene componentes físicos, domótica o control de hardware, elige MimiClaw. El único con GPIO nativo.

Si la producción, seguridad y observabilidad son requisitos, elige ZeroClaw. Tres modos de autonomía, sandboxing, secretos cifrados, Prometheus/OpenTelemetry.

La recomendación más práctica si empiezas desde cero: monta primero el más sencillo — PicoClaw o NanoBot en Ubuntu 24.04 con Docker — mide tu ratio de tokens real desde el día uno, y migra o ajusta a partir de datos concretos.