Qué ofrece cada pasillo de la tienda de comestibles de frameworks y cómo funcionan por dentro los 9 principales patrones de arquitectura.
Cada pasillo agrupa un tipo de capacidad que puedes agregar a tu asistente. Imagínalos como secciones de una tienda de comestibles: eliges los ingredientes que tienen sentido para tu proyecto.
Define quién es tu IA: su tono, sus valores, su forma de hablar y cómo se adapta a diferentes contextos. Sin esto, tienes un chatbot genérico. Con esto, tienes un asistente con voz propia.
Capas de protección entre tu IA y el mundo externo, desde el sandboxing de herramientas hasta la detección de ataques de prompt injection. Esencial en cualquier entorno que acceda a datos sensibles.
El canal es la «puerta de entrada» de tu IA. Define en qué aplicación interactuará el usuario con ella. Cada canal tiene características distintas: elige dónde ya está tu público.
La diferencia entre una IA que lo olvida todo al reiniciarse y una que te conoce desde hace meses. La elección del sistema de memoria define el costo, la precisión y la capacidad de recuperación a largo plazo.
Transforma tu IA de reactiva a proactiva. En vez de esperar a que preguntes algo, ejecuta tareas en horarios definidos, monitorea eventos y trabaja en segundo plano.
Cómo se conecta tu IA con proveedores de modelos, servicios externos y protocolos estándar. Aquí se toman las decisiones sobre costo, privacidad y escalabilidad de los modelos de IA.
El corredor más extenso: son las capacidades concretas que tu IA puede ejecutar hoy, sin implementarlas desde cero. Abarca productividad, comunicación, hogar inteligente, desarrollo y mucho más.
Los patrones estructurales que definen cómo se conectan los componentes de tu asistente. La elección aquí afecta la facilidad de mantenimiento, la escalabilidad y la facilidad de ampliación.
Cómo organiza internamente sus componentes cada framework. Estos son los planos que seguirías al construir con cada enfoque.
OpenClaw usa un servidor WebSocket central (Gateway) como único punto de entrada para todos los canales. Los mensajes de WhatsApp, Telegram, Slack, iMessage y voz pasan por el mismo hub antes de llegar al agente. Esto garantiza un control centralizado de las sesiones, el enrutamiento entre varios agentes y la compatibilidad unificada con canvas visual y voz.
Cada subsistema (proveedor de IA, canal, memoria) se define mediante un trait: un contrato que dice «cualquier implementación debe tener estos métodos». El archivo config.toml decide qué implementaciones usar en runtime. Puedes cambiar el proveedor de IA de Claude a Ollama, o el canal de Telegram a WhatsApp, sin tocar el código del agente. El resultado es una huella de memoria inferior a 5MB y un arranque en 10ms.
NanoClaw resuelve un problema específico de WhatsApp para empresas: ¿cómo garantizar que el contexto de un grupo de trabajo nunca se filtre al grupo familiar? La respuesta es radical: cada conversación se ejecuta en su propio contenedor aislado, con su propio archivo CLAUDE.md y un sistema de archivos separado. El host gestiona la conexión de WhatsApp y envía los mensajes al contenedor correspondiente.
TinyClaw trata a cada agente como un colaborador especializado de un equipo. Los mensajes entran en una cola basada en archivos (sin base de datos) y cada agente los toma de su propia bandeja de entrada. Un agente puede mencionar a otro (@reviewer, @writer) para pasarle el trabajo. Procesamiento paralelo: mientras @coder escribe código, @reviewer puede estar analizando otro PR.
IronClaw parte del principio de que ninguna entrada es confiable: ni los mensajes del usuario, ni los resultados de las herramientas, ni las salidas del LLM. Cada etapa del pipeline tiene su propia capa de seguridad: detección de prompt injection en la entrada, WASM sandbox para aislar herramientas y detector de filtraciones de secretos en la salida. El Job Scheduler permite hasta 5 ejecuciones paralelas con control de rate limiting.
Agent Zero se construye en torno a un ciclo de mejora continua: antes de resolver un problema, consulta la memoria («¿ya resolví esto antes?»). Cuando lo resuelve, guarda la solución para usarla en el futuro. Para tareas complejas, delega en subagentes especializados en investigación o código. Con el tiempo, se vuelve cada vez más eficiente en las tareas que más usas y puede reescribir sus propias reglas de comportamiento en medio de una conversación.
En lugar del loop de un solo agente (Telegram→loop→tool→memoria), ClaudeClaw ejecuta N agentes especialistas como bots independientes en la MISMA máquina y DB. Delegan entre sí (@agente), se reúnen en tiempo real (War Room de texto/voz) y publican cada acción en un bus de eventos compartido (tabla hive_mind), que funciona como memoria del equipo Y como visualización: un cerebro anatómico 3D. Esto se complementa con un plan de contención operativa: kill switches con hot-reload + tool-policy que deniega por defecto + protección contra la exfiltración forman una malla de seguridad en tiempo de ejecución sobre la ejecución con acceso completo.
Hermes es un ciclo perceive→act→reflect→save. Un gateway único normaliza cualquier canal (CLI, Discord, Slack, WhatsApp, HTTP, cron) en un objeto Message. El paso reflect usa un modelo económico para depurar la memoria (SQLite FTS5/BM25 local, en 3 capas) y detectar workflows repetidos; esos patrones se convierten en skills generadas automáticamente (SKILL.md con el estándar agentskills.io) que el agente empieza a reutilizar. Todo es independiente del modelo (enrutamiento por rol) y proactivo mediante heartbeat/cron. Es el contrapunto a los frameworks que separan el canal, el ciclo y la memoria de forma estática: aquí el agente mejora su propia memoria y sus propias habilidades con el uso.
AIOS integra el LLM como núcleo de un kernel y trata cada agente LLM como un PROCESO del sistema operativo. Varios agentes coexisten y comparten modelos, memoria y herramientas; el Scheduler (FIFO/Round-Robin) decide quién llama al LLM, el Context Manager toma snapshots y restaura agentes para pausarlos y reanudarlos, y todo fluye mediante syscalls auditables. El agente se comunica con el kernel mediante el SDK Cerebrum (repo separado), en modo Local o Remote. Frameworks como LangChain, AutoGen y CrewAI se ejecutan SOBRE él mediante un adapter.