Etiqueta
OpenRouter es una pasarela alojada que reúne más de 400 modelos de IA de más de 70 proveedores tras una única API compatible con OpenAI. Cambias la URL base, usas una sola clave y un único saldo, y ganas enrutado automático, reserva ante fallos y precios sin recargo por token. Frente a un proxy propio como LiteLLM, no administras nada.
browser-use es una biblioteca de Python de código abierto que deja a un agente de IA manejar un navegador como lo harías tú: abre páginas, lee el DOM, hace clic y rellena formularios. Nació sobre Playwright y en 2025 pasó a hablar directamente el protocolo CDP de Chrome para ganar velocidad. Esta guía explica cómo funciona y cuándo usarla.
Firecrawl es una API de código abierto que convierte cualquier página web en Markdown limpio y listo para un modelo de lenguaje. Con endpoints de scrape y crawl y extracción estructurada a JSON, da a tu agente de IA datos web fiables. Esta guía cubre sus formatos, cómo alojarlo con Docker y cuándo compensa frente a un scraper propio.
Composio conecta tu agente de IA con más de mil aplicaciones (GitHub, Slack, Gmail, Notion) mediante herramientas preautenticadas y autenticación OAuth gestionada. En lugar de escribir cada integración a mano, pides las herramientas por su nombre y el agente actúa en nombre de cada usuario. Esta guía explica qué es, cómo gestiona la autenticación y cómo conectarlo a tu framework de agentes.
Dify es una plataforma de código abierto para crear aplicaciones y agentes de IA, con un lienzo visual de flujos, gestión de prompts, base de conocimiento RAG y capas de LLMOps. Puedes autoalojarla entera con Docker Compose sobre Postgres, Redis y una base de datos vectorial. Esta guía explica cómo desplegarla y cuándo conviene frente a Flowise y Langflow.
Flowise es una herramienta de código abierto que te deja construir agentes de IA arrastrando nodos en un lienzo visual, sin escribir apenas código. Está construida sobre LangChain.js y puedes autoalojarla entera con un solo contenedor Docker. Esta guía explica cómo desplegarla, la diferencia entre chatflows y AgentFlow v2, y cómo se compara con Langflow y Dify.
Langflow es una herramienta de código abierto para construir agentes y flujos de IA arrastrando bloques en un lienzo visual, sin escribir apenas código. Puedes autoalojarla con Docker, conectar modelos, herramientas y bases de datos vectoriales, y publicar cada flujo como API o como servidor MCP. Esta guía explica cómo desplegarla y crear tu primer agente.
Un servidor MCP propio expone tus datos y funciones a cualquier asistente de IA mediante el Model Context Protocol. Con el SDK oficial de Python y su clase FastMCP escribes un servidor en unas veinte líneas: defines herramientas, recursos y prompts como funciones anotadas con tipos, y lo conectas a Claude, Cline o Goose por stdio o HTTP.
La ejecución duradera hace que un agente de IA sobreviva a caídas, reinicios y límites de la API sin perder su progreso. Temporal aplica este modelo: tu lógica vive en un workflow que se reanuda justo donde quedó, y cada llamada al modelo o a una herramienta corre como una actividad que se reintenta sola.
Desplegar un agente de IA en producción consiste en convertir tu script local en un servicio contenedorizado, con estado externo, observabilidad y secretos gestionados. En esta guía empaquetas un agente dentro de una imagen Docker mínima, expones un endpoint HTTP con FastAPI y añades comprobaciones de salud, reintentos y límites de tasa para que aguante tráfico real.
E2B es una infraestructura de código abierto que ejecuta el código que genera tu agente dentro de microVM de Firecracker aisladas, cada una con su propio kernel de Linux. Arranca en unos 150 ms, expone un intérprete con estado desde su SDK de Python y puedes autoalojarla con Terraform. Esta guía explica por qué un agente necesita un sandbox y cómo usar E2B.
El prompt caching guarda el prefijo estable de tu prompt (instrucciones, documentos, herramientas) para no reprocesarlo en cada llamada. Anthropic y Gemini descuentan hasta un 90% esos tokens; en OpenAI el descuento es del 50% en los modelos clásicos y sube al 90% en GPT-5.6. Esta guía explica cada proveedor, cómo estructurar el prompt y cómo cachear en tu propia máquina con vLLM.
promptfoo es una herramienta de código abierto para probar y evaluar prompts, agentes y sistemas RAG con configuraciones declarativas en YAML. Compara modelos como GPT, Claude o Gemini en una tabla, puntúa las respuestas con aserciones automáticas y añade red teaming con más de cincuenta tipos de vulnerabilidad. Se integra en tu CI y OpenAI la compró en marzo de 2026.
DeepEval es el framework de código abierto para evaluar sistemas de IA como si escribieras pruebas con Pytest: defines casos, eliges métricas respaldadas por investigación (G-Eval, fidelidad, corrección de herramientas) y obtienes una puntuación de 0 a 1 que aprueba o suspende cada respuesta, tanto en tu máquina como en integración continua.
Helicone es una plataforma open source de observabilidad para LLM que integras cambiando una sola línea: la URL base de tu cliente. Registra coste, latencia y tokens de cada llamada, añade caché y limitación de tasa, y puedes autoalojarla con Docker. Es Apache-2.0 y suma casi 6.000 estrellas en GitHub, aunque desde marzo de 2026 está en modo mantenimiento.
Langfuse es una plataforma de código abierto para observar, depurar y evaluar aplicaciones y agentes de IA. Puedes autoalojarla con Docker Compose sobre Postgres, ClickHouse, Redis y almacenamiento S3, y su SDK de Python, construido sobre OpenTelemetry, captura trazas, spans y generaciones con su coste y su latencia. Esta guía explica cómo desplegarla e instrumentar un agente.
DSPy es un framework de Python de Stanford que trata las llamadas a un LLM como código: defines firmas con entradas y salidas tipadas, eliges un módulo como la cadena de pensamiento y dejas que un optimizador escriba los prompts por ti a partir de ejemplos y una métrica. Así compilas programas en vez de ajustar prompts a mano.
Outlines es una biblioteca de Python que aplica generación restringida: obliga al modelo a producir una salida que se ajusta a un esquema JSON, una expresión regular o una gramática, con garantía por construcción y no estadística. Funciona con vLLM, Transformers, Ollama y llama.cpp, y su motor escrito en Rust apenas añade sobrecarga por token.
Instructor es la biblioteca de Python más usada para obtener salidas estructuradas y fiables de un modelo de lenguaje: defines el resultado que esperas como un modelo Pydantic, Instructor parchea el cliente para que el modelo lo respete y reintenta solo, con el error de validación incluido, hasta devolver un objeto válido y ya tipado.
No todos los modelos abiertos llaman a herramientas igual de bien: la familia Qwen3, los Hermes de Nous, Llama 3.1 y Mistral destacan porque se entrenaron para ello. Para elegir, mira el Berkeley Function-Calling Leaderboard, comprueba que exista un parser para su plantilla y ajústalo a la VRAM de tu GPU.
El function calling permite que un modelo que ejecutas con Ollama en tu propia máquina pida a tu código que llame a una función (consultar el clima, buscar en una base de datos) y use el resultado para responder. Desde julio de 2024 Ollama soporta herramientas; en 2026 modelos como qwen3 o llama3.3 lo hacen con fiabilidad razonable.
Qwen-Agent es el framework oficial del equipo Qwen para dar herramientas a sus modelos: function calling, un interprete de código en sandbox, RAG y MCP. Va por la version 0.0.34, publicada en febrero de 2026, suma unas 16.800 estrellas en GitHub y contiene la implementacion canonica del tool calling de Qwen3, tanto en la nube como en tu propia maquina.
Hermes 4 es la familia de modelos open-weight que Nous Research publicó en agosto de 2025, con variantes de 14B, 70B y 405B parámetros. Su gran novedad es el razonamiento híbrido: un mismo modelo responde directo o delibera con etiquetas think antes de contestar, y conserva el formato de herramientas de Hermes.
Hermes 3 es la familia de modelos open-weight de Nous Research, afinada sobre Llama 3.1 en tamaños de 8B, 70B y 405B. Su punto fuerte es el uso de herramientas mediante llamadas a funciones en formato JSON. Puedes ejecutarlo en tu propia máquina con Ollama o vLLM y darle capacidades agénticas sin depender de una API de pago.
