- Open-source con licencia MIT, actualmente más de 137.000 estrellas en GitHub (mayo 2026)
- Compatible con Ollama y cualquier API OpenAI-compatible para ejecutar modelos locales o en la nube
- Incluye RAG (recuperación sobre documentos propios), llamadas a funciones, búsqueda web, voz e imagen
- Instalación en un solo comando Docker; también disponible vía pip y como app de escritorio en Windows
- La interfaz funciona en español y soporta modelos multilingües de forma nativa
¿Qué es OpenClaw y por qué tiene más de 137.000 estrellas?
OpenClaw es la continuación del proyecto Open WebUI, renombrado para reflejar su evolución desde una simple interfaz de chat hacia una plataforma completa de despliegue de agentes IA. El proyecto nació como respuesta a una necesidad clara: ofrecer una experiencia similar a ChatGPT pero autoalojada, privada y compatible con cualquier modelo de lenguaje, incluidos los que corren enteramente en hardware local sin enviar datos a ninguna API externa.
El crecimiento del proyecto ha sido excepcional. En menos de dos años pasó de ser una herramienta de nicho para entusiastas del software libre a convertirse en la referencia del ecosistema open-source de interfaces conversacionales. A , superaba las 137.000 estrellas en GitHub, lo que lo posiciona entre los proyectos de infraestructura de IA de mayor tracción a nivel mundial.
La clave de su éxito es la combinación de tres factores: primero, la facilidad de instalación (un solo comando Docker pone en marcha la plataforma completa). Segundo, la amplitud funcional: RAG sobre documentos propios, generación de imágenes, reconocimiento de voz, llamadas a funciones y búsqueda web en tiempo real, todo desde una misma interfaz. Tercero, la compatibilidad universal: funciona con Ollama para modelos locales, con la API de OpenAI para GPT-5, con Anthropic Claude, con Mistral y con cualquier proveedor que exponga una API OpenAI-compatible.
Desde el punto de vista arquitectónico, OpenClaw es una aplicación web con un backend en Python (FastAPI) y un frontend en SvelteKit. Se despliega típicamente como un contenedor Docker y expone su interfaz en el puerto 3000 por defecto. La comunicación con los modelos se hace a través de endpoints REST, lo que facilita la integración con cualquier proveedor sin necesidad de modificar el código fuente de la plataforma.
¿Qué funcionalidades incluye OpenClaw actualmente?
La plataforma ha evolucionado de una interfaz de chat básica a un entorno completo de trabajo con modelos de lenguaje. Estas son las funcionalidades más relevantes a :
Soporte multi-LLM
Gestiona simultáneamente conexiones a Ollama (modelos locales), OpenAI, Anthropic Claude, Google Gemini y cualquier endpoint OpenAI-compatible. Puedes cambiar de modelo en cada conversación sin perder el historial. La interfaz permite comparar dos modelos en paralelo con la misma entrada para evaluar diferencias de calidad o velocidad.
RAG (Recuperación sobre documentos propios)
Carga documentos PDF, TXT, DOCX, CSV o páginas web completas como base de conocimiento del agente. OpenClaw indexa el contenido, lo fragmenta y lo almacena en una base de datos vectorial local. Cuando el usuario hace una pregunta, el sistema recupera los fragmentos más relevantes y los inyecta como contexto antes de llamar al modelo. Todo el proceso ocurre de forma transparente y sin necesidad de configuración adicional.
Búsqueda web en tiempo real
Integra motores de búsqueda (DuckDuckGo, Searxng, Brave Search, Google PSE) para que el agente pueda consultar información actualizada antes de responder. La activación es opcional por conversación: el usuario puede decidir si quiere que el modelo use su conocimiento de entrenamiento o complemente con resultados en tiempo real.
Llamadas a funciones (Function Calling)
Los modelos que soportan tool use (GPT-5, Claude, Llama 3.1 y superiores) pueden ejecutar funciones registradas en la plataforma. OpenClaw expone un sistema de "herramientas" donde los usuarios con permisos de administrador pueden registrar funciones Python que el modelo invoca cuando las necesita para completar una tarea.
Entrada y salida de voz
Soporte nativo para reconocimiento de voz (Speech-to-Text vía Whisper local o APIs externas) y síntesis de habla (Text-to-Speech). Permite conversaciones completamente orales con el modelo sin teclear. Compatible con los principales navegadores modernos sin necesidad de instalar extensiones.
Generación y análisis de imágenes
Se integra con AUTOMATIC1111, ComfyUI y la API de DALL-E para generación de imágenes. Los modelos multimodales (GPT-5 Visión, LLaVA, BakLLaVA) pueden analizar imágenes que el usuario sube directamente al chat. Útil para descripción de diagramas, análisis de capturas de pantalla o revisión de diseños.
Gestión multi-usuario con roles
Sistema de autenticación propio con roles de administrador y usuario estándar. Los administradores controlan qué modelos son accesibles, qué herramientas están activadas y los límites de uso. Útil para desplegar la plataforma en equipos donde se quiere dar acceso a los LLMs sin exponer la configuración subyacente.
Prompts y modelos personalizados
Biblioteca de prompts de sistema reutilizables y "Modelfiles" compatibles con la sintaxis de Ollama para crear personajes de IA personalizados con instrucciones, parámetros de temperatura y modelos base específicos. Permite crear asistentes especializados (soporte técnico, redacción, análisis de datos) sin tocar código.
¿Cómo se instala OpenClaw paso a paso?
OpenClaw ofrece varias vías de instalación según el entorno y el nivel de control que quieras sobre el sistema. La más recomendada para la mayoría de casos de uso es Docker, por su simplicidad y aislamiento. A continuación se detallan las dos principales.
Opción 1: instalación con Docker (recomendada)
Requiere tener Docker instalado en el sistema. Una vez listo, el comando siguiente descarga la imagen oficial y arranca el contenedor en segundo plano:
# Si Ollama corre en el host (caso más común)
docker run -d \
-p 3000:8080 \
--add-host=host.docker.internal:host-gateway \
-v open-webui:/app/backend/data \
--name open-webui \
--restart always \
ghcr.io/open-webui/open-webui:mainTras el primer arranque (que puede tardar 1-2 minutos mientras se descarga la imagen), accede a http://localhost:3000 desde el navegador. La primera vez te pedirá crear una cuenta de administrador. A partir de ahí, la interfaz guía el proceso de conexión con Ollama o cualquier otra API.
Si usas GPU NVIDIA y quieres que el contenedor tenga acceso a ella para acelerar la
inferencia local, añade --gpus all al comando anterior y asegúrate de tener
los drivers de NVIDIA y el NVIDIA Container Toolkit instalados en el host.
Opción 2: instalación con pip
Para quienes prefieren instalación directa sin Docker, OpenClaw puede instalarse como paquete Python en un entorno virtual:
pip install open-webui
open-webui serveEste método requiere Python 3.11 o superior. La aplicación arranca en el puerto 8080 por defecto. Para cambiar el puerto o la IP de escucha, usa las variables de entorno documentadas en la documentación oficial de OpenClaw.
Actualizaciones
Con Docker, actualizar a la última versión requiere detener el contenedor, eliminar la imagen
antigua y volver a ejecutar el comando de instalación. Los datos de usuario y configuración
persisten en el volumen open-webui y no se pierden entre actualizaciones.
¿Cómo funciona la integración de OpenClaw con Ollama?
La integración entre OpenClaw y Ollama es el caso de uso más habitual y para el que la plataforma está primariamente optimizada. Juntos forman un stack de IA local completo: Ollama gestiona la descarga, el almacenamiento y la inferencia de modelos; OpenClaw proporciona la interfaz de usuario, el historial de conversaciones, el RAG y el resto de funcionalidades avanzadas.
Funcionamiento básico
Cuando OpenClaw arranca, intenta conectarse automáticamente al endpoint de Ollama. Si Ollama
corre en el mismo host que el contenedor Docker de OpenClaw, el flag
--add-host=host.docker.internal:host-gateway en el comando de instalación
configura la ruta de red correctamente y la conexión funciona sin configuración adicional.
Una vez conectados, todos los modelos que hayas descargado con ollama pull
aparecen automáticamente en el selector de modelos de OpenClaw. No es necesario hacer
ningún registro manual: la plataforma consulta el endpoint /api/tags de Ollama
para listar los modelos disponibles.
Descarga de modelos desde la interfaz
Desde el panel de administración de OpenClaw es posible lanzar comandos
ollama pull directamente, sin necesidad de acceder a la terminal del servidor.
Escribe el nombre del modelo (por ejemplo, llama3:8b o
mistral:7b-instruct) y OpenClaw envía la solicitud al daemon de Ollama y
muestra el progreso de descarga en tiempo real.
Configuración de Ollama remoto
Si Ollama corre en una máquina diferente a la que sirve OpenClaw (por ejemplo, en un
servidor con GPU y OpenClaw en un contenedor en la misma red local), ajusta la variable
de entorno OLLAMA_BASE_URL en la configuración de OpenClaw para apuntar a
la IP y puerto correctos del servidor Ollama. Esta configuración permite centralizar la
infraestructura de modelos y acceder a ella desde múltiples instancias de OpenClaw.
La documentación técnica de esta integración está disponible en la guía de inicio de OpenClaw y en la página oficial del repositorio en GitHub.
¿En qué plataformas funciona OpenClaw?
OpenClaw está diseñado como una aplicación web, lo que le da compatibilidad universal con cualquier dispositivo que tenga un navegador moderno. Además, existen formas de obtener una experiencia cercana a la de una app nativa en Android y Windows.
¿Cómo funciona OpenClaw en español?
La compatibilidad de OpenClaw con el español opera en dos niveles distintos que conviene entender por separado: el idioma de la interfaz y el idioma de los modelos.
Interfaz en español
La interfaz de OpenClaw está completamente traducida al español. Desde la pantalla de configuración se puede seleccionar "Español" como idioma de la interfaz y todos los menús, botones, mensajes de error y opciones se mostrarán en castellano. La calidad de la traducción es buena, aunque en versiones recientes algunos textos técnicos de la sección de administración pueden aparecer aún en inglés si no han sido traducidos por la comunidad.
Modelos que responden en español
La calidad de las respuestas en español depende del modelo, no de OpenClaw. Entre los modelos disponibles a través de Ollama, los que ofrecen mejor rendimiento en español a son:
-
Llama 3.1 8B y 70B — Excelente rendimiento en español, especialmente
los modelos de instrucción (-instruct). Disponibles en Ollama con
llama3.1:8b. - Mistral 7B Instruct — Buen rendimiento general en español, muy eficiente para hardware con recursos limitados.
- Qwen2.5 — Los modelos de Alibaba tienen excelente soporte multilingüe y manejan el español con alta calidad, incluso en los rangos de 7B.
- Claude vía API — Si conectas OpenClaw a la API de Anthropic, Claude Sonnet y Claude Opus ofrecen el mayor nivel de calidad en español de todos los modelos disponibles.
Para forzar que el modelo responda siempre en español sin que el usuario tenga que especificarlo, configura un prompt de sistema global desde el panel de administración de OpenClaw. Añade una instrucción como "Responde siempre en español, independientemente del idioma en que se haga la pregunta" y ese comportamiento se aplicará a todas las conversaciones de forma predeterminada.
OpenClaw vs alternativas: tabla comparativa
Cómo se compara OpenClaw frente a las principales alternativas del ecosistema open-source de interfaces conversacionales para agentes IA.
| Plataforma | Tipo | GitHub Stars | Backend | RAG nativo | Multi-usuario | Mejor para |
|---|---|---|---|---|---|---|
| OpenClaw | UI conversacional | ~137k | Python / SvelteKit | Si | Si | Chat completo autoalojado con RAG y voz |
| Hermes Agent | Plataforma de agentes | ~95k | Python | Si | Si | Agentes con aprendizaje continuo y skills |
| Flowise | Constructor visual de flujos | ~36k | Node.js | Si | Básico | Pipelines RAG sin código para desarrolladores |
| Botpress | Plataforma de chatbots | ~13k (cloud) | Node.js | Via plugin | Si | Chatbots empresariales con flujos definidos |
Cuándo elegir OpenClaw sobre las alternativas
Elige OpenClaw cuando necesitas una interfaz conversacional completa, multimodal y autoalojada que funcione tanto con modelos locales (Ollama) como con APIs cloud. Es la mejor opción si quieres dar acceso a un equipo a diferentes modelos de lenguaje desde una interfaz unificada, con control total sobre los datos porque todo corre en tu propia infraestructura.
Elige Flowise si tu caso de uso es construir pipelines RAG o flujos de trabajo complejos con una interfaz visual de arrastrar y soltar. Flowise está orientado al desarrollador que necesita orquestar componentes, no al usuario final que quiere chatear.
Elige Hermes Agent si necesitas agentes que aprendan de las interacciones, generen skills automáticamente y mantengan memoria persistente entre sesiones. Para casos de uso empresariales donde el agente mejora con el tiempo sin reentrenamiento manual. Puedes ver la comparativa detallada OpenClaw vs Hermes Agent para una decisión informada.
Elige Botpress si necesitas chatbots con flujos de decisión predefinidos y lógica de negocio estructurada, típico de atención al cliente corporativo donde el recorrido del usuario está completamente mapeado de antemano.
Preguntas frecuentes sobre OpenClaw
¿Es OpenClaw completamente gratuito?
Sí. OpenClaw es software de código abierto publicado bajo la licencia MIT, lo que significa que puedes usarlo, modificarlo y redistribuirlo sin restricciones ni coste de licencia. El único coste asociado es el de la infraestructura donde lo ejecutes (servidor, VPS, hardware propio) y el de los tokens de API si usas proveedores cloud como OpenAI o Anthropic. El uso con modelos locales a través de Ollama no genera ningún coste adicional más allá del hardware.
¿Cuántos recursos necesita el servidor para correr OpenClaw?
La plataforma OpenClaw en sí misma es ligera: un contenedor Docker con 1 GB de RAM y 1 CPU es suficiente para servir la interfaz web a varios usuarios simultáneos. Lo que requiere recursos significativos es el modelo de lenguaje subyacente. Si usas Ollama en local, necesitarás al menos 8 GB de RAM para modelos de 7-8 parámetros en cuantización Q4, o una GPU con VRAM suficiente para acelerar la inferencia. Si usas APIs externas (OpenAI, Anthropic), OpenClaw actúa solo como proxy y el procesamiento ocurre en los servidores del proveedor.
¿Se pueden conectar varios usuarios al mismo servidor OpenClaw?
Sí. OpenClaw tiene un sistema de autenticación propio que soporta múltiples usuarios con roles diferenciados. El administrador puede crear cuentas, asignar permisos y controlar qué modelos y herramientas están disponibles para cada grupo de usuarios. Cada usuario tiene su propio historial de conversaciones, colecciones de documentos y configuración de prompt de sistema. Esta característica lo hace adecuado para despliegues en equipos de trabajo o empresas que quieren ofrecer acceso a LLMs con control centralizado.
¿Qué es el "rebrand" de Open WebUI a OpenClaw?
Open WebUI fue el nombre original del proyecto cuando se lanzó como interfaz web para Ollama. A medida que la plataforma evolucionó más allá de una simple interfaz, el equipo adoptó el nombre OpenClaw para reflejar mejor su ambición como plataforma de agentes IA completa. Funcionalmente son el mismo proyecto y el mismo código base. Si encuentras documentación o tutoriales que mencionan "Open WebUI", todo lo que describen aplica igualmente a OpenClaw.
¿OpenClaw puede conectarse a WhatsApp o Telegram?
No de forma nativa. OpenClaw es una interfaz web, no un gateway de mensajería. Para conectar modelos de lenguaje a WhatsApp o Telegram necesitas un puente adicional: un bot de Telegram que use la API de OpenClaw como backend, o una integración personalizada con la API de WhatsApp Business. Existen proyectos de la comunidad que combinan OpenClaw con bots de Telegram, pero no son componentes oficiales de la plataforma. Consulta las guías de sub-spokes para casos específicos: OpenClaw con WhatsApp.
¿Cómo se actualiza OpenClaw a la última versión?
Con Docker, el proceso de actualización requiere tres pasos: detener el contenedor
existente (docker stop open-webui), eliminar la imagen antigua
(docker rm open-webui) y volver a ejecutar el comando de instalación.
El volumen open-webui donde se almacenan los datos de usuarios,
conversaciones e índices RAG persiste entre actualizaciones. Para usuarios que
instalaron vía pip, pip install --upgrade open-webui actualiza
a la última versión publicada en PyPI.