30 repositorios de GitHub que potencian el stack de IA, desde agentes hasta inferencia local

Si estás desarrollando con IA en 2026, probablemente ya has usado algunos de estos repositorios. Pero a menos que sigas el campo a diario, algunos te resultarán nuevos. Un hilo en X del desarrollador @DivyanshT91162 recopiló 30 repos de GitHub que abarcan todo el stack de desarrollo de IA, desde orquestación de agentes hasta búsqueda vectorial, inferencia local, e incluso el pegamento backend que lo une todo.

Lo que hace útil esta lista es que no solo menciona los nombres habituales. Incluye tanto a los grandes (LangChain, vLLM, Transformers) como a las herramientas emergentes que resuelven problemas específicos (Unsloth para fine-tuning más rápido, MLX para Apple Silicon, Open WebUI como alternativa autoalojada a ChatGPT). En conjunto, la colección te muestra dónde está ahora el ecosistema de IA de código abierto: modular, centrado en la experiencia del desarrollador y cada vez más optimizado para ejecutarse en hardware de consumo.

Frameworks de agentes y orquestación

La mayor parte de la lista trata sobre agentes. LangChain y LangGraph lideran el camino para construir flujos de trabajo impulsados por LLM y agentes con estado. AutoGen de Microsoft y CrewAI abordan la coordinación multiagente, aunque lo hacen de manera diferente: AutoGen se apoya en patrones conversacionales, CrewAI en equipos basados en roles. OpenHands y Bolt.diy van más allá, buscando automatizar flujos de trabajo completos de ingeniería de software. n8n y Flowise ofrecen interfaces visuales para integrar IA en pipelines de automatización, mientras que Dify proporciona una plataforma de aplicaciones completa con RAG y gestión de modelos integrada.

Inferencia de LLM y despliegue local

Ejecutar modelos de manera eficiente es un problema diferente a construir agentes. vLLM es el estándar para inferencia GPU de alto rendimiento en producción. Ollama trae esa misma facilidad a las máquinas locales: un comando y ya estás ejecutando Llama, Qwen o Mistral en tu portátil. LiteLLM abstrae las APIs de los proveedores para que puedas cambiar entre OpenAI, Anthropic y modelos locales con una sola interfaz. Open WebUI envuelve a Ollama en una interfaz tipo ChatGPT que te alojas tú mismo, y AnythingLLM añade RAG a la mezcla para búsqueda y chat privados sobre documentos.

Bases de datos vectoriales, la capa de memoria

Casi todo stack de RAG necesita un almacén vectorial. Cinco bases de datos aparecen en esta lista, cada una con una compensación diferente:

Elegir uno depende de tu escala y de cuánta infraestructura quieras gestionar. Chroma y FAISS son excelentes para prototipado y uso embebido; Qdrant y Milvus manejan cargas de producción con replicación y fragmentación. Weaviate se sitúa en el medio con búsqueda híbrida integrada.

Fine-tuning, modelos especializados y el resto

La lista se completa con herramientas para fine-tuning y dominios específicos. Unsloth acelera el entrenamiento LoRA y QLoRA, a menudo reduciendo el uso de memoria GPU a la mitad. Transformers de Hugging Face sigue siendo la biblioteca de referencia para ejecutar casi cualquier modelo. Whisper maneja conversión de voz a texto en varios idiomas, ComfyUI te da control basado en nodos sobre pipelines de Stable Diffusion, y MLX es el framework de Apple para entrenamiento e inferencia eficiente en el dispositivo. FastAPI y Supabase también aparecen, no son específicos de IA, pero son el andamiaje backend sobre el que se construyen muchos servicios de IA.

El hilo también incluye OpenAI Cookbook (patrones de producción de OpenAI), LlamaIndex (conectores de datos a LLM), Continue (asistente de codificación de código abierto para VS Code), Haystack (framework de búsqueda y RAG), y n8n ya mencionado.

Marca el hilo. Volverás a él una y otra vez.