21 herramientas open source gratuitas para montar un stack de agentes de IA
El autor del canal @replay_0x ha reunido 21 repositorios abiertos con los que se puede montar un stack completo para agentes de IA, desde la orquestación hasta las comprobaciones previas al lanzamiento. La lista sigue la cadena de trabajo: orquestación, herramientas, navegador, memoria, observabilidad y ejecución segura de código. Entre los elementos figuran LangGraph, CrewAI, MCP, browser-use, mem0, Langfuse y E2B. Para los equipos, esto supone un mapa listo para usar: un candidato por cada capa, en lugar de empezar la búsqueda desde cero.
Procesado por IA desde X: @replay_0x; editado por Hamidun News
Cuando un equipo decide «vamos a hacer un agente», la primera semana suele ir menos al producto que a elegir herramientas: qué gestiona los pasos, cómo conectar los servicios, dónde guardar la memoria y cómo averiguar por qué el agente ha respondido de pronto una tontería. La selección de 21 repositorios abiertos que ha publicado el autor del canal @replay_0x intenta resolver ese problema. Está montada como una cadena: plantear la tarea, organizar el trabajo de los agentes, conectar herramientas, darles un navegador, añadir memoria y llevarlo a producción. No es un ranking ni un benchmark, sino un mapa de capas, pero sirve para empezar.
Capa 1.
Orquestación: quién hace cada paso y en qué orden
Hay ocho elementos, y muchos de ellos compiten entre sí.
Claude Agent SDK es el armazón sobre el que funciona Claude Code, presentado como biblioteca. LangGraph describe al agente como un grafo con estado: cada paso es un nodo y las transiciones entre ellos se definen de forma explícita. CrewAI construye un «equipo» de agentes, cada uno con su rol, como los empleados de un departamento pequeño.
AutoGen, de Microsoft, apuesta por agentes que se comunican entre sí mediante mensajes. OpenAI Agents SDK se centra en el traspaso de una tarea de un agente a otro. Mastra ofrece lo mismo para quienes escriben en TypeScript.
Pydantic AI exige al agente una respuesta tipada y validada: en vez de texto libre, se obtiene una estructura que se puede pasar directamente al código. smolagents, de Hugging Face, propone agentes que razonan directamente con código.
Capa 2.
Herramientas, navegador y memoria
Para que un agente haga algo útil, necesita manos. MCP Servers es un conjunto de servidores listos para usar con el protocolo Model Context Protocol: la idea es conectar cualquier herramienta a cualquier agente de la misma manera. FastMCP permite escribir en pocos minutos un servidor MCP propio para un servicio interno.
Si la tarea no tiene API, queda el navegador. browser-use permite a los agentes hacer clic en sitios web reales. Stagehand reduce el trabajo con una página a los comandos act() y extract(): ejecutar una acción y extraer datos. Playwright MCP controla el navegador a través del mismo protocolo MCP.
La memoria resuelve un problema cotidiano: el agente no debería tener que conocerte de nuevo cada vez. mem0 guarda memoria a largo plazo. Letta construye agentes con estado que recuerdan sesiones anteriores. Graphiti almacena el conocimiento en forma de grafo y registra el tiempo, es decir, entiende que la dirección de un cliente en marzo y en noviembre puede ser distinta.
Capa 3.
Ensamblaje, observación y seguridad
El último grupo sirve para llevar el prototipo hasta el lanzamiento. n8n es una herramienta de automatización con más de 400 integraciones, cómoda cuando el agente está integrado en procesos de negocio habituales. Dify permite crear aplicaciones LLM sin código, una vía rápida para equipos de producto y prototipos. Langfuse muestra trazas y el coste de las peticiones, y ayuda a depurar cadenas. promptfoo ejecuta evaluaciones de calidad y ataques de red team antes de la publicación. E2B ofrece sandboxes aisladas donde se puede ejecutar el código generado por el agente sin arriesgar el propio servidor.
Qué hacer con la lista y dónde está el truco
Una forma práctica de usar la lista es elegir una herramienta por capa y no adoptarlo todo a la vez. Por ejemplo, para un agente interno típico bastan un orquestador como LangGraph, un par de servidores MCP, Langfuse para la observación y promptfoo para las comprobaciones previas a la publicación.
Hay también limitaciones que conviene reconocer. La primera: «100% gratis» se refiere al código. Los tokens de los modelos, el alojamiento, las sesiones de navegador y las sandboxes cuestan dinero. La segunda: los orquestadores se solapan. LangGraph, CrewAI, AutoGen y OpenAI Agents SDK resuelven tareas parecidas, y no tiene sentido instalarlos juntos. La tercera: una selección en una red social no dice nada sobre la madurez de los proyectos, sus licencias ni la calidad del soporte, y eso hay que comprobarlo por cuenta propia antes de adoptarlos. Por último, no hay datos sobre cómo funcionan estas herramientas combinadas: las integraciones habrá que probarlas con las tareas propias.
Aun así, como lista de verificación de arquitectura, la selección es buena: recuerda que un agente no es solo el modelo. Sin memoria, observabilidad, pruebas y aislamiento del código, se queda en una demo. Si en tu proyecto no tienes al menos los tres últimos elementos, conviene empezar por ellos.
- 19 nov 2026Nodul ejecuta DeepSeek V4.1 Flash en 2 H200 en lugar de 8 y acelera la generación hasta 36,4 tokens/s
- 19 nov 2026Mientras la IA reescribía curl en Rust, el original recibió 300 commits y 200 correcciones de bugs
- 19 nov 2026Base de conocimiento con RAG: 100 GB de archivos generan 1,5 millones de fragmentos y 9 horas de carga
- 19 nov 2026El plan añadió 11,6 p. p. de tareas resueltas al modelo débil; al fuerte le bastó con el terminal
Preguntas frecuentes sobre la noticia
¿Qué se sabe sobre Capa 1. Orquestación: quién hace cada paso y en qué orden?
Hay ocho elementos, y muchos de ellos compiten entre sí. Claude Agent SDK es el armazón sobre el que funciona Claude Code, presentado como biblioteca. LangGraph describe al agente como un grafo con estado: cada paso es un nodo y las transiciones entre ellos se definen de forma explícita. CrewAI construye un «equipo» de agentes, cada uno con su rol, como los empleados de un departamento pequeño. AutoGen, de Microsoft, apuesta por agentes que se comunican entre sí mediante mensajes.
¿Qué se sabe sobre Capa 2. Herramientas, navegador y memoria?
Para que un agente haga algo útil, necesita manos. MCP Servers es un conjunto de servidores listos para usar con el protocolo Model Context Protocol: la idea es conectar cualquier herramienta a cualquier agente de la misma manera. FastMCP permite escribir en pocos minutos un servidor MCP propio para un servicio interno. Si la tarea no tiene API, queda el navegador. browser-use permite a los agentes hacer clic en sitios web reales.
¿Qué se sabe sobre Capa 3. Ensamblaje, observación y seguridad?
El último grupo sirve para llevar el prototipo hasta el lanzamiento. n8n es una herramienta de automatización con más de 400 integraciones, cómoda cuando el agente está integrado en procesos de negocio habituales. Dify permite crear aplicaciones LLM sin código, una vía rápida para equipos de producto y prototipos. Langfuse muestra trazas y el coste de las peticiones, y ayuda a depurar cadenas. promptfoo ejecuta evaluaciones de calidad y ataques de red team antes de la publicación.
Build & Ship Production AI Agents Without Boilerplate Code
Start your free 72-hour trial at Hamidun Academy (academy.hamidun.com) — interactive lessons on Claude Code & Cursor, live Tech Radar, and production agent templates.
Lo esencial de la IA — una vez por semana
Siete historias que de verdad importaron, elegidas a mano. Sin ruido ni notas de prensa.
¡Listo! Revisa tu correo para la confirmación.