ShibaClaw
ShibaClaw es un agente de IA auto-alojado priorizando seguridad y privacidad, con interfaz web integrada, soporte nativo para 28 proveedores de modelos (OpenAI, Anthropic, Gemini, DeepSeek, Ollama, etc.) y 11 integraciones de chat (Discord, Telegram, Slack, WhatsApp, Matrix). Incluye gestión de memo
Ficha actualizada 29 sept 2026, 10:32 · upstream 29 sept 2026, 10:29 · release v1.0.1
Qué es ShibaClaw
Descripción editorial construida a partir del repositorio, su documentación y sus señales de mantenimiento.
ShibaClaw es un framework de agentes de IA auto-alojado diseñado con tres prioridades: simplicidad, seguridad y privacidad. El núcleo incluye auditoría de CVE al instalar, protección contra inyección de prompts, guardado SSRF/DNS-rebinding, autenticación Bearer y sandboxing de workspace. No depende de capas proxy como LiteLLM, usando SDKs nativos para cada proveedor.
El sistema de memoria consta de tres niveles: memoria operativa (por sesión con resumen automático), memoria semántica (FAISS + sentence-transformers para búsqueda vectorial) y memoria procedimental (habilidades aprendidas y automatizaciones tipo cron). Incluye gestor interactivo en WebUI, diario de sueños y cuarentena segura.
Soporta 28 proveedores vía SDKs nativos: OpenAI, Anthropic, Gemini, DeepSeek, Groq, Moonshot, MiniMax, Zhipu AI, DashScope, Ollama, LM Studio, llama.cpp, vLLM. Integraciones con Klavis para OAuth simplificado (Gmail, Google Drive, Slack, GitHub, Outlook). Incluye app nativa de Windows con bandeja del sistema y despliegue en LAN/móvil.
- Asistente personal de IA auto-alojado que ejecuta modelos locales (Ollama, LM Studio) o APIs gratuitas vía OpenRouter sin exponer datos
- Automatización de flujos de trabajo con memoria procedimental y habilidades reutilizables guardadas en MEMORY.md
- Integración con servidores MCP externos (Google Drive, Slack, GitHub, PostgreSQL) sin modificar el código base
- Gestión interactiva de contexto con edición en vivo de conocimiento a largo plazo y presupuesto de tokens real-time
- Despliegue rápido en servidor propio o máquina local con Docker o pip en entorno virtual aislado
- Seguridad-first: auditoría CVE al instalar, protección contra inyección de prompts con límites aleatorios por sesión, guardado SSRF y DNS-rebinding
- 28 proveedores nativos sin capa proxy LiteLLM, resolviendo automáticamente el proveedor desde el modelo seleccionado o ID prefijado
- Memoria en tres niveles: operativa (sesión), semántica (FAISS vectorial) y procedimental (habilidades/automatizaciones)
- WebUI integrada con panel de gestión interactivo, diario de sueños y cuarentena segura para MEMORY.md, USER.md, HISTORY.md, DREAM_DIARY.md
- MCP-ready: conecta cualquier servidor MCP-compliant (Google Drive, Slack, GitHub, PostgreSQL) con registro automático de herramientas
- Despliegue simplificado: auto-installer Windows/macOS/Linux, Docker Compose o pip con extras modulares ([desktop], [audit], [rag], [server], [full])
- Requiere Python 3.12+ para instalación nativa (no aplica al auto-installer de Windows que usa app precompilada)
- La integración con Google Gemini es no oficial y puede estar sujeta a restricciones de cuenta por parte de Google
- Memoria semántica depende de FAISS + sentence-transformers, requiriendo recursos adicionales para embeddings
- El gestor de memoria interactivo consume ~128 MB UI más ~256 MB+ para el cerebro del agente en modo distribuido
Capturas del proyecto
Imágenes reales detectadas en la documentación del repositorio.
Perfil de infraestructura
Estimación inicial derivada del repositorio y de los servicios detectados.
Despliegue detectado
Qué señales reales de instalación hemos encontrado.
Despliegue vía Docker: docker compose up -d (pull desde Docker Hub), luego exec para imprimir token. Exponer shibaclaw-web en LAN con reverse proxy para acceso móvil. Opción pip: pip install shibaclaw y shibaclaw web --with-gateway en :3000. Windows: auto-installer PowerShell descarga app precompilada sin Python, crea atajos y permite desinstalación limpia vía Apps & Features. Trae tu propio modelo conectando a endpoints locales (Ollama, LM Studio) o APIs gratuitas vía OpenRouter para empezar gratis.
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.