En esta página
Documentación
Aprende a instalar iAgents, configurar agentes y proveedores, colaborar en equipo y operar tu despliegue con seguridad.
Empieza por aquí
Primeros pasos
Acceso completo y permanente. Tu username es público; el email de acceso permanece privado salvo que decidas mostrarlo en tu perfil.
Permite explorar la plataforma sin registrarse. Los datos de la sesión (historial, configuraciones) no se conservan al cerrar sesión.
iAgents Hub es una plataforma self-hosted de agentes IA, accesible desde cualquier dispositivo — la interfaz es responsive y se adapta a móvil y escritorio. Sigue estos tres pasos para empezar:
Ve a Perfil → Proveedores. Introduce tu API key de Anthropic, OpenAI, Google u otro proveedor soportado. Pulsa «Testear» para verificar la conexión y «Sincronizar» para importar los modelos disponibles.
Ve a Agentes y pulsa «Nuevo». Puedes crearlo desde cero, cargar un archivo .md o .json, importar un directorio completo, partir de un agente público o usar la ayuda de IA. En web y escritorio también puedes arrastrar el archivo o directorio sobre la página de Agentes. Un directorio puede contener varios agentes y recursos compartidos: iAgents Hub detecta el grafo, reutiliza una dependencia común una sola vez y permite crear, reutilizar, cambiar u omitir cada relación antes de importar la selección.
En la lista de agentes, pulsa sobre un agente y selecciona «Nuevo chat». El historial de tus conversaciones se guarda automáticamente.
Instalación y modos de despliegue
Puedes usar el servicio gestionado o desplegar el proyecto abierto en tu propia infraestructura. El instalador coordina el backend, el cliente Flutter y los servicios necesarios.
Instalación desde el repositoriogit clone https://github.com/iagentshub/iAgents.git
cd iAgents
python gaia.py installNecesitas Git, Python 3 y Docker con Compose. En Windows, ejecuta PowerShell con permisos para usar Docker Desktop.
Clona el repositorio y ejecuta python gaia.py install. El asistente valida dependencias, prepara la configuración y levanta los contenedores.
El flujo funciona desde PowerShell. Para desarrollar una pieza aislada puedes levantar React, FastAPI o Flutter por separado sin cambiar el despliegue de producción.
production prioriza estabilidad; dev habilita desarrollo; hub conecta con servicios gestionados; local mantiene el entorno en tu equipo. Elige el modo antes de generar la configuración.
Agentes
Cada plataforma de IA (Claude, ChatGPT, Copilot…) tiene su propio formato de agente. iAgents Hub abstrae esa diferencia: configuras el agente una sola vez —instrucciones, skills, memoria, base de conocimiento— y puedes probarlo en la web con cualquier LLM antes de exportarlo a la plataforma que corresponda.
Conecta cualquier proveedor y cambia el modelo del agente con un clic. Así puedes comparar respuestas entre Claude, GPT-4o u otros sin reconfigurar nada.
El system prompt, las skills y el contexto se definen una sola vez en iAgents Hub. Exporta el agente al formato nativo de cada plataforma —Claude Code, OpenAI Assistants o GitHub Copilot—, o importa agentes existentes con una vista previa del contenido antes de confirmar.
Nombre, instrucciones del sistema (system prompt), modelo y conexión seleccionada, skills vinculadas, memoria persistente, base de conocimiento y rutinas programadas.
Si la memoria está activada, el agente recuerda el contexto de conversaciones anteriores. Puedes ver y editar los recuerdos desde la sección Memoria.
Automatiza tareas que el agente debe ejecutar de forma periódica. Define un nombre, una instrucción y un disparador —manual, webhook o expresión cron para ejecución programada— sin necesidad de una conversación activa.
Conexiones
Una conexión es el acceso a un LLM concreto de un proveedor, listo para asignarse a un agente.
Un proveedor (en Perfil → Proveedores) guarda tu API key y da acceso a su catálogo de modelos. Al sincronizarlo se crea automáticamente una conexión por cada LLM disponible. Asigna la conexión que prefieras a cada agente.
Los LLM cobran por tokens: unidades de texto de aproximadamente 4 caracteres. Cada conexión acumula el total de tokens de entrada y salida consumidos. Puedes consultarlo en el Dashboard y en la lista de Conexiones.
Balanceo y failover de LLM
Una orquestación LLM reúne varias conexiones compatibles en una conexión virtual que puede asignarse a agentes y ejecutarse también dentro de workflows.
Cada orquestación admite de 2 a 20 candidatas. El modo Stack respeta el orden configurado; el modo Balanceado utiliza una conexión enrutadora para clasificar todas las candidatas según el agente y el mensaje actual.
El modelo enrutador no responde a la tarea: devuelve un ranking JSON de las conexiones candidatas y una razón breve. La ejecución comienza con la opción mejor situada para ese mensaje.
Prueba las conexiones en el orden que tú defines. Es adecuado cuando quieres una prioridad estable —por coste, privacidad, latencia o proveedor— sin gastar tokens en una decisión previa.
Si una conexión está inactiva, falla o devuelve una respuesta vacía antes del primer token, se intenta la siguiente. Una vez empezado el streaming no se cambia de modelo, evitando mezclar respuestas parciales.
La respuesta final incluye la conexión elegida, las conexiones intentadas y el uso de tokens por conexión. En modo Balanceado también se contabiliza el consumo del modelo enrutador.
Las orquestaciones pueden pertenecer a un grupo o compartirse con él. Al compartirlas, el sistema concede acceso a las conexiones necesarias sin duplicarlas y sin convertir las credenciales en recursos públicos.
Skills
Las skills son bloques de instrucciones reutilizables que se inyectan en el system prompt de los agentes que las tienen vinculadas. Su categoría se elige de un catálogo cerrado; no admiten tags libres.
Incluyen las skills oficiales de solo lectura y las que publican usuarios registrados. Todos, incluidos los invitados, pueden consultarlas.
Puedes crear skills propias desde la sección Skills y decidir si serán privadas o públicas. En modo invitado son privadas, temporales y solo viven en memoria durante la sesión.
Al editar un agente verás la lista de skills disponibles. Una skill solo se usa cuando está vinculada y activa. Desvincular afecta únicamente a ese agente; desactivarla desde el menú «…» de su tarjeta impide su uso en todos los agentes vinculados hasta que se reactive.
Equipos y compartición de recursos
Los grupos de trabajo son el núcleo colaborativo de iAgents Hub. Reúnen miembros, agentes, conexiones, orquestaciones LLM, workflows, skills, prompts, herramientas y conocimiento con acceso controlado y propiedad explícita.
Ve a Perfil → Grupos y pulsa «Crear grupo». Al crearlo, quedas automáticamente como propietario. Solo las cuentas registradas pueden crear grupos; los invitados no tienen acceso a esta función.
Desde el grupo, pulsa «Invitar» e introduce el username público del usuario. Recibirá una notificación para aceptar o rechazar la invitación. Los propietarios y administradores del grupo pueden invitar y expulsar miembros.
Puedes compartir desde la tarjeta del recurso o arrastrarla sobre el grupo en el panel lateral. Los agentes comparten en cascada sus skills, prompts y conocimiento privados; los workflows, sus agentes y dependencias; y las orquestaciones LLM, las conexiones necesarias. Los secretos no se copian ni cambian de propietario.
Solo pueden retirar un recurso de un grupo: el propietario original del recurso, el propietario del grupo y los administradores de plataforma. El resto de miembros pueden usar el recurso pero no pueden descompartirlo.
Los recursos que otros han compartido contigo aparecen en las secciones correspondientes con el badge «Compartida». Puedes usarlos y abrirlos desde el panel de grupos, pero no editarlos ni exportarlos: la propiedad sigue siendo del creador original.
Los usuarios sin cuenta (modo invitado) no pueden crear ni unirse a grupos. Registra una cuenta para acceder a la colaboración.
Workflows de agentes
Los workflows coordinan agentes como un grafo de ejecución reutilizable y pueden usar conexiones normales u orquestaciones LLM.
Cada nodo representa un paso de agente y las conexiones expresan dependencias y orden. La validación detecta grafos desconectados y definiciones que no pueden ejecutarse de forma segura.
Cada ejecución conserva su estado y el resultado de los pasos. Los agentes reciben el contenido del flujo y responden mediante streaming, igual que en un chat normal.
Los gates permiten aprobar, rechazar o repetir una rama concreta sin volver a ejecutar pasos hermanos ya aprobados, haciendo posible incorporar revisión humana al proceso.
Un workflow puede pertenecer a un grupo o compartirse con otro. Al compartirlo se conceden también los accesos necesarios a sus agentes propios y a las dependencias privadas asociadas.
Catálogo y herramientas oficiales
El catálogo oficial incorpora paquetes revisados como recursos normales de la plataforma, marcados con origen oficial para que puedan buscarse, enlazarse y mantenerse actualizados.
Las fuentes oficiales pueden aportar agentes, skills, prompts o comandos, conocimiento, herramientas y workflows. Las dependencias declaradas se importan primero y se enlazan con el recurso que las necesita.
Los administradores pueden seguir una release o una rama de un repositorio GitHub. Cada recurso conserva la fuente y el componente de origen, lo que permite actualizar o retirar un paquete de forma coherente.
Las herramientas Python y shell de una fuente compatible se materializan en el catálogo, quedan marcadas como oficiales y pueden asignarse como dependencia de un agente. Su ejecución automática todavía no está habilitada en el runtime.
La importación restringe licencias, tamaños, rutas y tipos de archivo; rechaza ciclos o dependencias ausentes y señala patrones peligrosos para revisión antes de materializar contenido.
Los recursos oficiales son de solo lectura. Puedes enlazarlos para seguir su origen, crear una copia editable cuando necesites personalizarlos y sincronizar las actualizaciones disponibles.
Memoria y Conocimiento
iAgents Hub tiene dos formas de dar contexto persistente a un agente: memoria conversacional y base de conocimiento.
La memoria almacena fragmentos de texto que el agente recuerda entre conversaciones. Útil para preferencias del usuario, datos de contexto o notas. Se activa por agente.
La base de conocimiento almacena documentos (PDF, texto, URL). El agente puede buscar en ellos al responder. Útil para documentación técnica, FAQs o cualquier contenido de referencia.
Operación y mantenimiento
La operación diaria debe ser repetible: comprobar estado, revisar logs, actualizar de forma controlada y proteger los datos persistentes.
Usa gaia.py para iniciar, detener, comprobar el estado y administrar el despliegue desde un único punto.
Revisa las notas de versión, guarda una copia de la configuración y de los datos, actualiza la imagen o el repositorio y valida salud antes de abrir tráfico.
Conserva fuera del contenedor la base de datos, archivos cargados y secretos. Prueba periódicamente que las copias puedan restaurarse.
Comprueba el estado de backend, base de datos y clientes. Ante un fallo, identifica primero qué servicio está afectado y consulta sus logs recientes.
Solución de problemas
Aísla el problema antes de cambiar la configuración. Una incidencia útil indica dónde falla, cómo reproducirla y qué ocurrió justo antes.
Confirma la URL, el puerto, el modo de ejecución y que los servicios estén activos. Prueba una ventana privada para descartar caché o sesión.
Anota versión, sistema operativo, pasos exactos, hora aproximada y mensaje de error. Adjunta solo los logs del servicio afectado.
Verifica clave API, URL base, modelo disponible, cuota y permisos. Usa la prueba de conexión antes de modificar el agente.
Nunca publiques claves, tokens, contraseñas, correos ni contenido privado. Sustituye esos valores por marcadores antes de compartir capturas o logs.
Buenas prácticas con agentes
Aplicar estas prácticas reduce el consumo de tokens y mejora la calidad de las respuestas.
Escribe system prompts cortos y precisos. Evita repetir instrucciones que ya están implícitas en el modelo. Cada línea innecesaria consume tokens en cada mensaje.
Usa modelos ligeros (Haiku, GPT-4o mini) para tareas simples como clasificación o resúmenes cortos. Reserva los modelos grandes (Opus, GPT-4o) para razonamiento complejo o generación de código crítico.
Las skills vinculadas al agente se inyectan en sus conversaciones. Si tienes instrucciones que no aplican a todos los agentes, conviértelas en una skill y vincúlala solo a los agentes que la necesiten, en lugar de incluirla siempre en el system prompt.
No pegues documentos enteros en el system prompt. Carga el contenido en la base de conocimiento del agente: se recupera solo la parte relevante para cada mensaje, reduciendo drásticamente el uso de tokens de entrada.
La memoria inyecta contexto de conversaciones anteriores en cada turno. Si el agente realiza tareas independientes (generación de textos, traducciones), desactívala para no acumular tokens innecesarios.
Usa temperatura baja (0.0–0.3) para tareas que requieren precisión: código, extracción de datos, clasificación. Usa valores más altos (0.7–1.0) para escritura creativa o brainstorming, donde la variabilidad aporta valor.
Palabras clave
Asistente de IA configurado para una función concreta. Puede responder preguntas, redactar, analizar o automatizar tareas, siempre dentro de los límites que tú defines.
El motor de inteligencia artificial que procesa texto y genera respuestas. Es la tecnología de fondo —Claude, GPT-4o, Gemini…— que el agente utiliza para funcionar.
Una conexión virtual que agrupa entre 2 y 20 conexiones LLM. Puede recorrerlas en un orden fijo o usar un modelo enrutador para ordenarlas según cada tarea, con failover antes de emitir el primer token.
Espacio operativo compartido por miembros y agentes. Reúne recursos con permisos, propiedad y acceso controlados sin copiarlos ni transferir sus credenciales.
Grafo de ejecución que coordina varios agentes y pasos. Permite encadenar trabajo, abrir ramas y controlar la continuación mediante gates.
Agente, skill, prompt, conocimiento, herramienta o workflow publicado desde una fuente revisada. Se identifica como oficial, es de solo lectura y puede enlazarse o reutilizarse desde el catálogo.
El texto que define el rol, el tono y las reglas de comportamiento del agente. Es lo que transforma un asistente genérico en uno especializado para tu caso de uso.
El acceso configurado a un LLM concreto. Asignar una conexión a un agente determina qué motor de IA utilizará para responder.
La empresa que ofrece el LLM: Anthropic (Claude), OpenAI (GPT), Google (Gemini), entre otros. Tú aportas tu propia API key y pagas directamente al proveedor según el uso.
Capacidad adicional que se vincula a un agente: seguir una guía de estilo, responder solo sobre ciertos temas, usar un formato de salida concreto… Las skills son reutilizables entre agentes.
Permite al agente recordar información de conversaciones anteriores con el mismo usuario. Útil para mantener continuidad sin repetir contexto en cada sesión.
Documentos, páginas web o textos propios que el agente puede consultar al responder. El contenido no está en las instrucciones: se recupera solo cuando es relevante.
Unidad de medida con la que los proveedores cobran el uso de sus LLM. Equivale aproximadamente a una palabra. A más texto intercambiado en cada conversación, más tokens se consumen y mayor es el coste.
Parámetro que regula la creatividad del modelo. Valor bajo: respuestas consistentes y predecibles. Valor alto: respuestas más variadas e imaginativas. Se configura por agente.
La cantidad máxima de texto que un LLM puede leer y considerar de una sola vez: instrucciones, historial de mensajes y documentos incluidos. Superarla hace que el modelo «olvide» el inicio de la conversación.
Cuando el modelo genera información incorrecta o inventada con total confianza. No es un fallo puntual: es una limitación inherente a todos los LLM. Por eso es crítico revisar las respuestas en contextos de alto riesgo.
Recursos catalogados en Python o shell que pueden formar parte de un agente y llegar desde fuentes oficiales. Actualmente iAgents Hub permite importarlos, sincronizarlos, asignarlos y compartirlos; la ejecución autónoma de esas herramientas todavía no forma parte del runtime.
Retrieval-Augmented Generation. Técnica que permite al agente buscar en documentos propios antes de responder, en lugar de depender solo de lo que el modelo aprendió durante su entrenamiento. Es lo que hay detrás de la base de conocimiento.
Proceso de reentrenar un LLM con datos propios para especializarlo en un dominio concreto. Es distinto de configurar un agente: el fine-tuning modifica el modelo en sí, lo que implica coste, tiempo y recursos técnicos significativos.
Modelos capaces de procesar no solo texto, sino también imágenes, audio o vídeo. Varios LLMs disponibles en iAgents Hub ya son multimodales (GPT-4o, Claude 3), lo que permite, por ejemplo, analizar capturas de pantalla o describir documentos escaneados.
Referencia técnica
Guías mantenidas junto al código para instalaciones, integraciones y desarrollo.