scallopbot
ScallopBot es un agente de IA personal autocontenido que implementa una arquitectura cognitiva inspirada en la biología. Funciona como un asistente autónomo con memoria bioinspirada, compatible con el ecosistema OpenClaw y capaz de orquestar múltiples herramientas sin necesidad de API externas.
Ficha actualizada 23 sept 2026, 9:36 · upstream 23 sept 2026, 9:11 · release v0.1.0
Qué es scallopbot
Descripción editorial construida a partir del repositorio, su documentación y sus señales de mantenimiento.
ScallopBot es un agente de IA personal autocontenido que implementa una arquitectura cognitiva inspirada en la biología. Su diseño se enfoca en resolver los límites actuales de los agentes de IA, eliminando la falta de memoria a largo plazo, el análisis reflexivo propio y la capacidad de razonamiento autónomo. El proyecto está diseñado para ser compatible con el ecosistema OpenClaw, permitiendo que sus habilidades funcionen dentro del framework estándar de agentes de IA. La arquitectura se construye sobre una base monolítica en Node.js, utilizando un sistema de memoria basado en SQLite que combina puntuación BM25 con embeddings semánticos y re-ranking mediante LLMs. El proyecto está optimizado para ser desplegado localmente, con costos estimados muy bajos (aproximadamente $0,06–$0,10 al día en consumo de modelos).
- Asistente personal que recuerda conversaciones y tareas a largo plazo sin necesidad de intervención manual
- Agente que puede orquestar múltiples herramientas (búsqueda web, ejecución de comandos, acceso a APIs) con un solo punto de entrada
- Sistema de memoria bioinspirada que fusiona recuerdos fragmentados mediante consolidación nocturna y recuperación contextual
- Agentes autónomos que pueden realizar tareas complejas como planificación, razonamiento multi-paso y toma de decisiones basada en contexto
- Integración con herramientas de desarrollo (Git, Docker, PDF) para automatizar flujos de trabajo locales
- Sistema de comunicación multimodal que soporta voz, texto y mensajes en múltiples plataformas (Telegram, Discord, WhatsApp, Slack)
- Implementa un ciclo sueño-vigilia inspirado en la biología humana con consolidación nocturna y exploración REM para mejorar la memoria a largo plazo
- Sistema de afecto-aware que detecta emociones mediante el léxico AFINN-165 y modela estados emocionales con EMA (exponencial móvil) de 2 horas
- Arquitectura de habilidades basada en OpenClaw, permitiendo que cada habilidad declare sus propias dependencias y requisitos de entorno
- Memoria híbrida que combina BM25 para búsqueda rápida, embeddings semánticos para comprensión contextual y re-ranking con LLMs
- Costo operativo muy bajo: se estima un gasto de $0,06–$0,10 al día en modelos de lenguaje, lo que permite su uso continuo sin costos significativos
- Soporte nativo de MCP (Model Context Protocol), permitiendo que otros agentes le consulten y compartan memoria
- Depende de un servidor local para funcionar; no tiene interfaz gráfica ni modo web por defecto, requiriendo configuración manual
- La arquitectura monolítica en Node.js puede ser ineficiente bajo cargas de trabajo muy altas o escalabilidad horizontal
- El sistema de memoria depende de la calidad de los embeddings y del modelo de LLM usado para re-ranking; rendimiento puede degradarse con datos grandes
- No tiene interfaz gráfica ni modo web por defecto, lo que limita su usabilidad en entornos no técnicos sin configuración adicional
- La gestión de versiones y evolución de habilidades requiere un pipeline separado que añade complejidad operativa
Perfil de infraestructura
Estimación inicial derivada del repositorio y de los servicios detectados.
Despliegue detectado
Qué señales reales de instalación hemos encontrado.
Para desplegar ScallopBot localmente, se recomienda usar Docker Compose con el archivo .env.example como base. Se debe configurar al menos una API key de modelo LLM (por ejemplo, OpenAI o Groq) y establecer la ruta del directorio de memoria en SCALLOPBOT_DB. El proyecto requiere Node.js 24+ para construir y ejecutar. La arquitectura es monolítica por defecto; si se desea escalabilidad horizontal, se recomienda migrar a un microservicio con contenedores separados por habilidad o servicio. Se recomienda mantener el servidor en modo de escritura (WAL mode) para evitar bloqueos durante consultas de lectura. El script de inicio no requiere claves API adicionales al arrancar, pero las APIs de LLM deben configurarse mediante variables de entorno.
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.