kbots
kbots es un framework de ejecución de agentes de IA local que permite desplegar equipos de agentes autónomos en hardware propio, sin contenedores ni infraestructura externa.
Ficha actualizada 23 sept 2026, 6:31 · upstream 23 sept 2026, 6:04 · release sin release detectada
Qué es kbots
Descripción editorial construida a partir del repositorio, su documentación y sus señales de mantenimiento.
kbots es una plataforma que ejecuta múltiples agentes de inteligencia artificial persistentes sobre el hardware del usuario. Cada agente opera dentro de su propio proyecto de código, recuerda sus interacciones a través de SQLite, y realiza acciones reales mediante herramientas integradas. El sistema se construye desde un chat inicial con Claude Code o Codex CLI, donde cada agente genera herramientas y habilidades específicas. Desde entonces, los agentes operan autónomamente bajo supervisión humana, recordando experiencias previas y ajustándose mediante retroalimentación de feedback.
- Automatización de tareas repetitivas sin intervención humana continua
- Creación de asistentes personales que aprenden de sus propias interacciones
- Procesamiento de documentos o archivos con herramientas especializadas
- Monitoreo y análisis de datos en tiempo real desde un único punto de acceso
- Automatización de flujos de trabajo complejos con múltiples dependencias
- Análisis de contenido multimedia (imágenes, audio) sin intervención humana
- Soporta múltiples motores de LLM (Claude Code CLI, Codex CLI, Ollama, LM Studio) en un solo proceso
- Memoria persistente mediante SQLite con FTS5 para recuperación semántica
- Capacidad de entrenamiento propio: captura turnos completos y genera modelos locales desde el trabajo real
- Arquitectura sin contenedores ni bases de datos externas: todo corre en una sola instancia Python con SQLite
- Gestión de permisos granular por herramientas, canales y roles dentro del servidor Discord
- Sistema de aprobaciones humanas para acciones sensibles mediante gateos en tiempo real
- Depende de un entorno local o VPS con Python 3.12+ instalado; no funciona en entornos sin internet
- La memoria SQLite tiene límites de tamaño y rendimiento bajo carga alta
- Los agentes locales pueden consumir recursos significativos (CPU/GPU) dependiendo del modelo utilizado
- El entrenamiento propio requiere acceso a datos externos para generar ejemplos de entrenamiento
- No incluye capacidades nativas de razonamiento lógico profundo sin herramientas externas
Perfil de infraestructura
Estimación inicial derivada del repositorio y de los servicios detectados.
Despliegue detectado
Qué señales reales de instalación hemos encontrado.
Instala el servicio con `uv run python setup.py` o `./setup`. Configura agentes mediante archivos YAML en `/kbots/agents/`, cada uno con su propio `provider:` (claude_cli, codex_cli, ollama, lmstudio). Usa un archivo de configuración principal para definir roles, permisos y rutas. Para producción, despliega el servicio en un VPS como Docker Compose o Kubernetes, manteniendo la capa de SQLite local. Actualiza mediante `uv run pip install -U .` con rollback automático activado.
Stack y dependencias
Componentes inferidos a partir de manifests, configuración y documentación.
Puede sustituir a
Relaciones detectadas por el análisis del repositorio y su categoría.
Experiencia real de la comunidad
Ayuda a contrastar la estimación automática con instalaciones reales.
Todavía no hay datos comunitarios para este proyecto.