Preguntas Frecuentes

AgentOS es un runtime TypeScript open source para construir agentes de IA en producción, desarrollado por Frame.dev. Proporciona orquestación multi-agente, memoria cognitiva, RAG multimodal, guardrails de seguridad opcionales (redacción de PII, moderación de contenido, verificación de grounding), pipelines de voz, 37 adaptadores de canal y 13 integraciones de proveedores de LLM. AgentOS también potencia los sistemas de IA detrás de Wilds.ai, una plataforma de juegos AI-native. Self-hosted y gratuito.

Sí. El runtime, las extensiones curadas, los paquetes de guardrails y las skills curadas tienen licencia Apache 2.0. Puedes usar AgentOS comercialmente, modificarlo y redistribuirlo bajo esa licencia.

AgentOS soporta 13 proveedores de LLM: OpenAI, Anthropic, Google Gemini, Groq, Together AI, Mistral, xAI (Grok), OpenRouter, Requesty, LiteLLM, Ollama, Claude Code CLI y Gemini CLI. Las cadenas de fallback de proveedor permiten un failover automático.

AgentOS está escrito completamente en TypeScript y se ejecuta en Node.js. El paquete npm es @framers/agentos. Funciona con cualquier proyecto TypeScript o JavaScript.

AgentOS es nativo de TypeScript (no Python), incluye memoria cognitiva con curvas de decaimiento de Ebbinghaus y modelado de personalidad HEXACO, ofrece paquetes de guardrails opcionales para redacción de PII, moderación de contenido y verificación de grounding, proporciona 37 adaptadores de canal (Discord, Telegram, Slack, correo electrónico y más) y soporta 6 estrategias de orquestación, incluidos DAGs de agentes basados en grafo. También incluye 88 skills curadas y un motor de descubrimiento de capacidades que pone en contexto solo las herramientas y skills relevantes, dentro de un presupuesto de tokens por nivel.

Paracosm (https://paracosm.agentos.sh) es un motor de simulación de modelos de mundo estructurados construido sobre AgentOS. Compila un ScenarioPackage en JSON más un perfil de líder HEXACO en un bucle de turnos sobre un kernel determinista con semilla, donde los agentes de AgentOS proponen eventos, forjan nuevas herramientas JavaScript en tiempo de ejecución, que AgentOS ejecuta en node:vm con un límite de 10 segundos, y producen un artefacto contrafáctico que puedes bifurcar y reproducir. Tres modos comparten un esquema: simulaciones de civilización por turnos (Mars Genesis es el ejemplo canónico), gemelos digitales por trayectoria en lote, y pronósticos Monte-Carlo por punto en lote. Open-source bajo Apache 2.0, npm install paracosm. Demo en vivo: https://paracosm.agentos.sh/sim. Código fuente: https://github.com/framerslab/paracosm. Post de lanzamiento extenso (por qué lo construimos, la historia del vault de wilds.ai, la referencia del motor): https://agentos.sh/blog/paracosm-launch.

Wilds.ai (https://wilds.ai) es una plataforma de juegos AI-nativa construida sobre AgentOS y Paracosm. Personajes IA con memoria cognitiva persistente y rasgos de personalidad HEXACO habitan modelos de mundo compartidos y divergen entre sí en función de eventos LLM-como-juez fundamentados. Los jugadores pueden entrar en mundos existentes, bifurcarlos o compilar nuevos en el navegador. Wilds.ai es el despliegue canónico de producción del stack AgentOS + Paracosm y el canal oficial de comunidad y soporte (https://wilds.ai/discord) para ambos proyectos.

Wunderland (https://wunderland.sh) es un proyecto hermano en desarrollo activo que empaqueta una CLI con baterías incluidas más un daemon sobre los registros de extensiones y skills de AgentOS. Ofrece una CLI de 60 comandos (setup, chat, rag, agency, workflows, evaluate, provenance, knowledge, marketplace y más), un modelo de seguridad de 5 niveles (dangerous / permissive / balanced / strict / paranoid), 9 presets de agente, autorización HITL con elevación de privilegios, y la misma arquitectura de memoria cognitiva más RAG basada en grafo documentada en los docs de AgentOS. Usa @framers/agentos cuando quieras un SDK TypeScript para incrustar en tu aplicación; usa Wunderland cuando quieras una CLI global que puedas instalar con pnpm add -g wunderland y configurar con un asistente. Código fuente en github.com/jddunn/wunderland (Apache 2.0 desde 0.71.0). Versión preview; las APIs y la superficie de la CLI aún pueden cambiar. Guía de inicio: https://docs.agentos.sh/wunderland.

GMI significa Generalized Mind Instance. Es el agente que el runtime de AgentOS crea para cada sesión: guarda la persona de esa sesión (rasgos HEXACO), el historial de la conversación, el estado de ánimo y la traza de razonamiento, ejecuta cada turno pasando por recuperación, ensamblado del prompt, llamada al modelo y llamadas a herramientas, y puede recibir memoria cognitiva que persiste entre sesiones. El helper ligero agent() llama al modelo directamente y no crea ninguna GMI salvo que le pases runtime: 'gmi'; gmi() y el runtime completo (AgentOS.processRequest) crean GMIs.

HEXACO es un modelo de personalidad de 6 factores procedente de la investigación en psicología (Ashton & Lee, 2007). Las seis dimensiones son Honestidad-Humildad, Emocionalidad, Extraversión, Amabilidad, Conciencia y Apertura a la Experiencia. En AgentOS, los rasgos HEXACO determinan cómo se comunican y recuerdan los agentes. agent() escribe los rasgos por encima de 0.65 o por debajo de 0.35 en el prompt de sistema como directivas de comportamiento. En la memoria cognitiva, una alta Emocionalidad aumenta cuánto se reescribe un recuerdo al recordarlo (reconsolidación), mientras que una alta Conciencia refuerza el olvido inducido por recuperación de los recuerdos competidores.

La memoria cognitiva de AgentOS implementa 8 mecanismos de la investigación en ciencia cognitiva: reconsolidación, olvido inducido por recuperación, recuerdo involuntario, sensación de saber, extracción de gist temporal, codificación de esquemas, decaimiento de confianza de la fuente y regulación emocional. Las memorias decaen con el tiempo siguiendo las curvas del olvido de Ebbinghaus (Ebbinghaus, 1885), y cada recuperación exitosa vuelve una memoria más estable, como en la repetición espaciada. La memoria de trabajo sigue el modelo multicomponente de Baddeley (Baddeley, 2000) con 7 slots por defecto: una Apertura alta añade uno, una Conciencia alta quita uno, y el total queda entre 5 y 9. Una memoria nueva se guarda como memoria episódica por defecto y ocupa un slot de la memoria de trabajo. Cuando los slots están llenos, se libera el slot menos activo y su memoria sigue guardada. La consolidación convierte después las memorias episódicas antiguas y muy recuperadas en memorias semánticas.

AgentOS tiene seis paquetes de guardrails opcionales: redacción de PII (nombres, correos, teléfonos, SSN y más), clasificadores de ML para toxicidad, amenazas y contenido NSFW, análisis estático del código generado en busca de patrones peligrosos, verificación de grounding contra documentos fuente, aplicación de topicalidad para mantener a los agentes en la tarea y un reescritor de política de contenido que reescribe o bloquea las salidas que incumplen tu política. Cada paquete es una extensión que activas en el runtime de AgentOS. El paquete de clasificadores solo puntúa prompt injection cuando su modelo local no se puede cargar; para frases de inyección conocidas, usa el guardrail de lista de frases integrado.

El motor de descubrimiento de capacidades encuentra herramientas y skills mediante búsqueda semántica y las pone en el prompt en tres niveles, cada uno con un presupuesto fijo de tokens. El nivel 0 mantiene en contexto resúmenes de categoría (200 tokens por defecto). El nivel 1 añade los 5 mejores matches semánticos del turno (800 tokens). El nivel 2 añade esquemas completos o el texto de SKILL.md de los 2 mejores matches (2,000 tokens). Una meta-herramienta llamada discover_capabilities permite a los agentes consultar las herramientas disponibles en tiempo de ejecución.

El QueryRouter clasifica cada consulta en uno de 4 niveles y recupera en consecuencia: T0 responde desde la conversación sin recuperación, T1 hace una única búsqueda vectorial (una búsqueda por palabras clave cuando no hay un proveedor de embeddings configurado), T2 recupera 15 fragmentos, añade fragmentos relacionados mediante la expansión del grafo y reordena el conjunto para quedarse con los 5 mejores, y T3 divide la consulta por oraciones en hasta 5 subconsultas, recupera 10 fragmentos para cada una, añade fragmentos relacionados mediante la expansión del grafo, reordena el conjunto para quedarse con los 10 mejores y después, cuando la investigación profunda está activada (por defecto, cuando SERPER_API_KEY está definida), hace una fase de investigación profunda cuyos resultados combina. Después responde con lo recuperado y devuelve la respuesta con las citas de sus fuentes.

La inteligencia adaptativa es cómo los agentes de AgentOS ajustan su comportamiento sin reentrenamiento. Cinco mecanismos trabajan juntos: (1) Montaje del prompt en cada turno: el PromptEngine de un GMI construye el prompt de sistema en cada turno a partir de la persona, el estado de ánimo, el historial de la conversación, las memorias recuperadas y las herramientas disponibles. (2) Autoevaluación: con la automejora activada, la herramienta self_evaluate puntúa la respuesta del propio agente y puede cambiar la temperature o la verbosidad de la sesión, o ajustar un rasgo mediante adapt_personality. (3) Memoria modulada por la personalidad: los rasgos HEXACO ajustan los mecanismos de memoria; una alta Apertura hace más probable el recuerdo involuntario y una alta Conciencia refuerza el olvido inducido por recuperación de los recuerdos competidores. (4) Consolidación de memoria: las pasadas de consolidación podan los recuerdos decaídos, fusionan duplicados, convierten los recuerdos episódicos antiguos y muy recuperados en semánticos y, con un LLM configurado, derivan recuerdos de insight a partir de clústeres. (5) Niveles del QueryRouter: la profundidad de la recuperación sigue a la consulta, desde ninguna recuperación cuando la conversación ya contiene la respuesta hasta una investigación profunda en todo el corpus para las más difíciles.

Los comportamientos emergentes son capacidades que los agentes desarrollan en tiempo de ejecución en lugar de estar programadas explícitamente. AgentOS admite cinco formas: (1) Forja de herramientas en tiempo de ejecución: con emergent: true en el runtime de AgentOS, los agentes escriben nuevas herramientas en JavaScript mediante forge_tool. El EmergentCapabilityEngine ejecuta cada una en node:vm con un límite de tiempo, y un juez LLM revisa el código y sus ejecuciones de prueba antes de registrar la herramienta. (2) Personalidad autoajustable: adapt_personality mueve un rasgo HEXACO dentro de límites definidos para el agente en ejecución. Con persistWithDecay y un mutation store, cada cambio queda registrado, y los registros almacenados pierden fuerza como máximo una vez al día, cuando el agente se adapta. (3) Gestión dinámica de skills: los agentes activan o desactivan skills en tiempo de ejecución mediante manage_skills, adaptando su repertorio de comportamiento a la tarea. (4) Creación de workflows componibles: los agentes combinan herramientas registradas en pipelines de varios pasos mediante create_workflow, construyendo nuevas capacidades a partir de bloques existentes. (5) Promoción de herramientas por niveles: una herramienta forjada empieza en el nivel session. Tras al menos 5 usos con una tasa de éxito de 0.8 o más, y la aprobación de dos revisores LLM, pasa al nivel agent. Un host puede promover una herramienta al nivel shared con EmergentToolRegistry.promote().

Sí. AgentOS ofrece dos mecanismos complementarios de LLM-as-judge. A nivel de agency, hitl.llmJudge() crea un handler de aprobación que delega las decisiones a un LLM. Evalúa cada ApprovalRequest contra criterios configurables y devuelve una decisión estructurada con puntuación de confianza. Cuando la confianza cae por debajo del umbral, la decisión escala a un handler de fallback (otro hitl handler o un humano). A nivel de graph, el builder humanNode() acepta una opción judge que delega la decisión de interrupción a un LLM. Si el juez tiene confianza, el graph continúa sin suspensión. Si la confianza es baja, la ejecución cae a una interrupción humana normal. Ambos enfoques soportan model, provider, criteria y confidence threshold configurables.

Sí. Cuando hitl.guardrailOverride está habilitado, los guardrails se ejecutan después de una decisión de aprobación y pueden bloquear acciones destructivas o sensibles. Esto añade una segunda capa de seguridad después de la auto-aprobación, la aprobación humana o hitl.llmJudge(). Los guardrails post-aprobación predeterminados incluyen code-safety y pii-redaction, y puedes configurar la lista con hitl.postApprovalGuardrails. Deshabilita el override solo si quieres explícitamente que el handler de aprobación tenga la última palabra.

Instala vía npm: npm install @framers/agentos. AgentOS requiere Node.js 22 o superior. Para las herramientas CLI, instala el paquete complementario: npm install -g wunderland.

Import the agent function and configure it with a provider, instructions, and optional personality traits:

import { agent } from '@framers/agentos'

const myAgent = agent({
  provider: 'openai',
  instructions: 'You are a helpful assistant.',
  personality: {
    openness: 0.8,
    conscientiousness: 0.9,
  },
})

const reply = await myAgent.generate('Hello!')
console.log(reply.text)

AgentOS gestiona la voz con VoicePipelineOrchestrator. Le das una sesión de STT en streaming, una sesión de TTS en streaming, un detector de fin de turno y un manejador de interrupciones (barge-in), y los conecta con una sesión de agente a través de un transporte como un WebSocket. El catálogo de voz incluye 13 proveedores de STT y 13 proveedores de TTS. De ellos, están disponibles 11 proveedores de STT, entre ellos Whisper (OpenAI), Deepgram y AssemblyAI, y 10 proveedores de TTS, entre ellos ElevenLabs, OpenAI TTS y Google Cloud TTS. Las otras cinco entradas (Whisper.cpp, NVIDIA NeMo, Coqui XTTS, Bark y StyleTTS2) están marcadas como no disponibles, y el resolvedor de proveedores las omite. Los proveedores Twilio, Telnyx y Plivo realizan y finalizan llamadas telefónicas.

AgentOS es self-hosted y se ejecuta en cualquier lugar donde corra Node.js 22 o superior. Despliega en tu propia infraestructura con Docker, en proveedores cloud como AWS, GCP o Azure, o usa plataformas como Vercel, Railway o Fly.io. SQLite no requiere configuración, y el MigrationEngine mueve los datos almacenados a Postgres, Qdrant o Pinecone cuando necesites más escala.

Sí. AgentOS funciona completamente offline cuando se combina con Ollama para inferencia LLM local. Ollama proporciona acceso a modelos de pesos abiertos como Llama, Mistral y Phi localmente. El backend de almacenamiento SQLite y el vector store en memoria no requieren servicios externos. El comando ollama-setup de la CLI de Wunderland detecta o instala Ollama y configura el agente para usarlo.

Sí. AgentOS incluye paquetes de guardrails opcionales que redactan datos personales, moderan contenido y verifican las respuestas contra sus fuentes, además de aprobaciones para llamadas a herramientas sensibles, presupuestos de gasto que rechazan una llamada por encima del límite e interruptores que sacan de rotación a un proveedor que falla.

AgentOS incluye un guardrail de redacción de PII que elimina datos personales antes de que lleguen a los proveedores de LLM, y despliegue self-hosted para que los datos permanezcan en tu infraestructura. La memoria se puede exportar a JSON, Markdown, Obsidian o SQLite para una solicitud de acceso. Olvidar una memoria la saca de la recuperación pero mantiene su fila en la base de datos, así que una solicitud de supresión exige borrarla en tu propio almacenamiento. El cumplimiento de GDPR y SOC 2 es una responsabilidad organizacional del equipo que despliega, no una propiedad de la biblioteca en sí.

Sí. Para despliegues de producción, licenciamiento empresarial, soporte dedicado e integraciones personalizadas, contacta al equipo en [email protected]. El soporte empresarial incluye resolución prioritaria de issues, consultoría de arquitectura y asistencia en el despliegue.

[email protected]

Absolutamente. AgentOS está diseñado para ser self-hosted desde el principio. Para despliegues self-hosted, tus datos permanecen en tu infraestructura con SQLite, Postgres, pgvector, Qdrant o Neo4j. Si prefieres una base de datos vectorial gestionada por un proveedor, Pinecone también es compatible. Un helper de configuración puede iniciar un contenedor local de Qdrant con Docker.