Clawdbot es un asistente personal de IA de código abierto que puedes ejecutar en tu propio hardware. Conecta grandes modelos de lenguaje de proveedores como Anthropic y OpenAI con herramientas reales como aplicaciones de mensajería, archivos, shell, navegador y dispositivos domésticos inteligentes, mientras mantiene la capa de orquestación bajo su control.
Lo interesante no es que Clawdbot charle. Es que el proyecto incluye una arquitectura concreta para los primeros agentes locales y un motor de flujo de trabajo escrito llamado Lobster que convierte las llamadas de modelo en canalizaciones deterministas.
Arquitectura: Puerta de Enlace, Nodos y Habilidades
En el centro de Clawdbot está el proceso Gateway. La puerta de enlace expone un plano de control WebSocket en ws://127.0.0.1:18789 y una interfaz HTTP local para la interfaz de usuario de control y el chat web.
Sus mensajes de WhatsApp, Telegram, Signal, Slack, Discord, iMessage y otros canales se entregan al Gateway. El Gateway decide qué agente debe manejar el mensaje, qué herramientas puede llamar y qué proveedor de modelo usar. Luego envía la respuesta por el mismo canal.
El tiempo de ejecución se divide en algunos conceptos básicos:
Gateway: Enrutamiento, llamadas de modelos, invocación de herramientas, sesiones, presencia y programación. Nodos: procesos que le dan a Clawdbot acceso a recursos locales como sistema de archivos, automatización del navegador, micrófono, cámara o API específicas de plataforma en macOS, Windows, Linux, iOS y Android. Canales: Integraciones para sistemas de chat como WhatsApp, Telegram, Discord, Slack, Signal, Microsoft Teams, Matrix, Zalo y más. Estos se configuran como backends de canal que se conectan a la puerta de enlace. Habilidades y complementos: Herramientas a las que el agente puede llamar, descritas en un formato estándar SKILL.md y distribuidas a través de ClawdHub.
Esta separación le permite ejecutar Gateway en un servidor virtual de cinco dólares o en una máquina de repuesto en casa, mientras mantiene una computación de modelo pesada en API remotas o backends de modelo local cuando sea necesario.
Habilidades y el estándar SKILL.md
Clawdbot utiliza un formato de habilidades abierto descrito en SKILL.md. Una habilidad se define en Markdown con un encabezado pequeño y un procedimiento ordenado. Por ejemplo, una habilidad de implementación podría especificar pasos como verificar el estado de git, ejecutar pruebas e implementar solo después del éxito.
— nombre: implementación-producción descripción: implementa la rama actual en producción. Úselo sólo después de pasar las pruebas. enable-model-invocation: true — 1. Verifique el estado de git para garantizar que el directorio de trabajo esté limpio. 2. Ejecute `npm test` 3. Si las pruebas pasan, ejecute `npm run implementar`
Gateway lee estas definiciones y las expone a los agentes como herramientas con capacidades explícitas y restricciones de seguridad. Las habilidades se publican en ClawdHub y se pueden instalar o componer en flujos de trabajo más grandes.
Esto significa que los runbooks operativos pueden pasar de páginas wiki ad hoc a habilidades ejecutables por máquina, sin dejar de ser auditables como texto.
Lobster: tiempo de ejecución de flujo de trabajo escrito para agentes
Lobster es el tiempo de ejecución del flujo de trabajo que impulsa a Local Lobster y muchas automatizaciones avanzadas de Clawdbot. Se describe como un shell de flujo de trabajo escrito que permite a Clawdbot ejecutar secuencias de herramientas de varios pasos como una única operación determinista con puertas de aprobación explícitas.
En lugar de que el modelo llame a muchas herramientas en un bucle, Lobster traslada la orquestación a un tiempo de ejecución específico de un pequeño dominio:
Las canalizaciones se definen como JSON o YAML, o como una cadena de canalización similar a un shell compacto. Los pasos intercambian datos JSON escritos, no texto no estructurado. El tiempo de ejecución aplica tiempos de espera, límites de salida y políticas de espacio aislado. Los flujos de trabajo pueden pausarse ante efectos secundarios y reanudarse más tarde con un resumeToken.
Un flujo de trabajo de clasificación de bandeja de entrada simple se ve así:
nombre: pasos de clasificación de la bandeja de entrada: – id: comando recopilar: lista de la bandeja de entrada –json – id: comando categorizar: categorizar la bandeja de entrada –json stdin: $collect.stdout – id: comando aprobar: aplicar la bandeja de entrada –approve stdin: $categorize.stdout aprobación: requerido – id: ejecutar comando: aplicar la bandeja de entrada –ejecutar stdin: $categorize.stdout condición: $approve.approved
Clawdbot trata este archivo como una habilidad. Cuando le pide que limpie su bandeja de entrada, llama a una canalización de Lobster en lugar de improvisar muchas llamadas a herramientas. El modelo decide cuándo ejecutar el proceso y con qué parámetros, pero el proceso en sí sigue siendo determinista y auditable.
Local Lobster es el agente de referencia que utiliza Lobster para impulsar los flujos de trabajo locales y se describe en la cobertura como un agente de código abierto que redefine la IA personal al combinar los primeros flujos de trabajo locales con un comportamiento proactivo.
Primer comportamiento local proactivo
Una razón clave por la que Clawdbot es tendencia y visible en X y en las comunidades de desarrolladores es que se comporta como un operador, no solo como una ventana de chat.
Debido a que Gateway puede ejecutar trabajos programados y realizar un seguimiento del estado entre sesiones, los patrones comunes incluyen:
Resúmenes diarios que resumen calendarios, tareas y correo importante. Resúmenes periódicos, como resúmenes semanales del trabajo enviado. Monitores que observan las condiciones y luego le envían mensajes primero en su canal preferido. Automatizaciones de archivos y repositorios que se ejecutan localmente pero que se activan mediante lenguaje natural.
Todo esto se ejecuta con la política de enrutamiento y herramientas en su máquina o servidor. Las llamadas de modelos todavía van a proveedores como Anthropic, OpenAI, Google, xAI o backends locales, pero el cerebro, la memoria y las integraciones del asistente están bajo su control.
Flujo de trabajo de instalación y desarrollador
El proyecto proporciona un instalador de una línea que recupera un script de clawd.bot y arranca Node, Gateway y los componentes principales. Para tener más control, puede instalar a través de npm o clonar el repositorio de TypeScript y compilarlo con pnpm.
Pasos típicos:
curl -fsSL https://clawd.bot/install.sh | bash # o npm i -g clawdbot clawdbot a bordo
Después de la incorporación, conecta un canal como Telegram o WhatsApp, elige un proveedor modelo y habilita las habilidades. Desde allí, puede escribir sus propios archivos SKILL.md, crear flujos de trabajo de Lobster y exponerlos a través del chat, el chat web o la aplicación complementaria de macOS.
Algunos ejemplos
Michal Sutter es un profesional de la ciencia de datos con una Maestría en Ciencias de Datos de la Universidad de Padua. Con una base sólida en análisis estadístico, aprendizaje automático e ingeniería de datos, Michal se destaca en transformar conjuntos de datos complejos en conocimientos prácticos.