Ecosistema OpenClaw: Comparando 9 Frameworks de Agentes
La comparación definitiva de cada framework importante nacido de la explosión de OpenClaw. Matriz de funcionalidades, análisis de seguridad, benchmarks de rendimiento y una guía de decisión para ayudarte a elegir el correcto para tu caso de uso.
Por Jose Nobile | 2026-06-11 | 22 min de lectura
La Explosión de OpenClaw
En noviembre de 2025, Peter Steinberger — fundador de PSPDFKit y veterano del ecosistema de desarrolladores Apple — publicó discretamente un proyecto llamado "Clawdbot" en GitHub. Era un framework de agentes AI basado en TypeScript que podía conectarse a plataformas de mensajería como WhatsApp y Telegram. En pocas semanas, fue renombrado a OpenClaw, y la trayectoria que siguió fue algo nunca visto en el mundo open-source.
Para enero de 2026, OpenClaw había superado el récord de estrellas de GitHub que React mantenía hace una década — alcanzando 378,000+ estrellas para junio de 2026. El proyecto tocó una fibra: los desarrolladores querían asistentes AI personales que vivieran en sus apps de mensajería, tuvieran memoria persistente, y pudieran hacer cosas reales — navegar la web, gestionar archivos, correr cron jobs, automatizar banca.
El 14 de febrero de 2026, Steinberger se unió a OpenAI como VP de Experiencia de Desarrollador. Para asegurar la independencia del proyecto, OpenClaw fue transferido a una fundación independiente con un consejo de gobernanza multi-empresa. La licencia MIT se preservó, y los 22+ adaptadores de canales siguieron creciendo.
Pero el crecimiento meteórico vino con dolores de crecimiento. A principios de 2026, se divulgaron múltiples CVEs — culminando en CVE-2026-25253, una vulnerabilidad crítica de ejecución remota de código con 1 clic que exponía cualquier instancia de OpenClaw accesible por la red. Las preocupaciones de seguridad, combinadas con el considerable footprint de 1GB+ de RAM y arranques en frío de 500ms+, generaron todo un ecosistema de alternativas, cada una abordando diferentes puntos de dolor.
Esta guía compara los 9 frameworks principales en el árbol genealógico de OpenClaw: el original y 8 derivados que colectivamente han redefinido cómo los desarrolladores construyen y despliegan agentes AI.
Nota: Este ecosistema tiene apenas 7 meses. Estrellas, funcionalidades y posturas de seguridad cambian semanalmente. Los datos en esta guía reflejan el estado al 11 de junio de 2026. OpenClaw alcanzó v2026.6.5 con Parallel integrado como proveedor de web_search, manejo reforzado de resultados de herramientas MCP, recuperación de sesiones de extended thinking de Anthropic y refuerzo continuo de seguridad. El ecosistema ahora abarca 378K+ estrellas en el repo principal con 44K+ skills comunitarios en ClawHub.
Matriz de Comparación de Funcionalidades
La siguiente tabla compara los 9 frameworks en dimensiones clave. Haz clic en el nombre de cualquier proyecto para visitar su repositorio de GitHub.
| Funcionalidad | OpenClaw | Nanobot | Paperclip | ZeroClaw | PicoClaw | NanoClaw | NemoClaw | OpenFang | IronClaw |
|---|---|---|---|---|---|---|---|---|---|
| Lenguaje | TypeScript | Python | TypeScript | Rust | Go | TypeScript | TS+Python | Rust | Rust |
| Estrellas GitHub | 378k | 38k | 34k | 30k | 27k | 26k | 18k | 16k | 12k |
| Uso de RAM | >1 GB | 191 MB | Varies | <5 MB | <10 MB | ~50 MB | OC+ | 40 MB | ~5 MB |
| Arranque en Frío | >500 ms | Fast | Fast | <10 ms | ~1 s | Fast | Seconds | 180 ms | Fast |
| Canales | 22+ | 10+ | N/A | 22+ | 17+ | 5+ | 22+ | 40+ | 5+ |
| Modelo de Seguridad | Opt-in | Docker | N/A | Defaults-on | Minimal | Container | Sandboxed | 16 layers | TEE+WASM |
| Tamaño del Binario | ~200 MB | ~80 MB | ~150 MB | ~8 MB | ~12 MB | ~120 MB | ~250 MB | ~15 MB | ~6 MB |
| Licencia | MIT | MIT | MIT | MIT/Apache | MIT | MIT | Apache 2.0 | MIT/Apache | Apache/MIT |
Cuándo Elegir Cada Uno
Cada framework en el ecosistema ocupa un nicho distinto. Acá va un desglose de la audiencia ideal y caso de uso para cada uno.
OpenClaw
Elige OpenClaw cuando necesites máximas funcionalidades, el ecosistema de plugins más grande y la comunidad más activa. Soporta 22+ canales, tiene cientos de skills contribuidos y ofrece el sistema de personalidad más maduro (AGENTS.md, SOUL.md, MEMORY.md). Acepta los trade-offs: >1 GB de RAM, seguridad opt-in y runtime Node.js. Mejor para usuarios avanzados que quieren todo y tienen los recursos para correrlo.
GitHubNanobot
Elige Nanobot si estás aprendiendo agentes AI, prefieres el ecosistema Python o trabajas en academia. Su footprint de 191 MB corre cómodamente en una Raspberry Pi. El código Python lo hace accesible para data scientists e ingenieros ML que piensan en NumPy y pandas. Excelente documentación con tutoriales en Jupyter notebooks. 10+ canales y aislamiento de seguridad basado en Docker.
GitHubPaperclip
Elige Paperclip para orquestación multi-agente y optimización de objetivos de negocio. Paperclip está diseñado para "empresas sin humanos" donde múltiples agentes colaboran hacia un objetivo compartido. Sobresale en descomposición de tareas, delegación entre agentes y loops de feedback. No es un bot de mensajería — es un motor de orquestación backend para workflows autónomos.
GitHubZeroClaw
Elige ZeroClaw para la mejor relación eficiencia/capacidad. Escrito en Rust, entrega 99% menos RAM que OpenClaw (<5 MB vs >1 GB) manteniendo paridad completa de canales (22+). Los defaults de seguridad están activos desde la primera ejecución — sin configuración necesaria. Arranques en frío de menos de 10ms lo hacen ideal para deployments serverless y edge. La alternativa más sólida en general a OpenClaw.
GitHubPicoClaw
Elige PicoClaw para casos de uso embebidos e IoT en hardware tan barato como $10. Escrito en Go, apunta a arquitecturas RISC-V, ARM y MIPS. Menos de 10 MB de RAM y un binario de 12 MB significan que corre en dispositivos clase ESP32, routers y computadoras de placa única. 17+ canales. La elección cuando tu agente debe correr en el edge, sin conexión o en hardware restringido.
GitHubNanoClaw
Elige NanoClaw para deployments security-first en ambientes regulados. Construido sobre una alianza con Docker, cada agente corre dentro de un contenedor endurecido con aislamiento de namespace, filesystems de solo lectura y políticas de red. TypeScript para familiaridad, pero los límites del contenedor previenen cualquier escape. Ideal para deployments de salud, finanzas y gobierno donde el cumplimiento no es negociable.
GitHubNemoClaw
Elige NemoClaw para la experiencia completa de OpenClaw mejorada con guardrails de NVIDIA e inferencia GPU local. Combina adaptadores de canal TypeScript con pipelines ML de Python, ofreciendo ejecución sandboxed e integración nativa con NVIDIA NeMo Guardrails. 22+ canales. Mejor para equipos que quieren las funcionalidades de OpenClaw con seguridad AI enterprise e inferencia de modelos local en hardware NVIDIA.
GitHubOpenFang
Elige OpenFang para correr múltiples agentes autónomos 24/7. Su paradigma "agente-como-OS" trata cada agente como un proceso de primera clase con su propio filesystem, stack de red y gestión de ciclo de vida. 40+ canales — la mayor cantidad en el ecosistema. Modelo de seguridad de 16 capas. 40 MB de RAM por agente. Diseñado para organizaciones que necesitan flotas de agentes siempre activos operando independientemente con mínima supervisión humana.
GitHubIronClaw
Elige IronClaw para industrias reguladas donde se requieren registros de auditoría criptográficos y aislamiento a nivel de hardware. Construido sobre Trusted Execution Environments (TEE) y WebAssembly (WASM), cada acción del agente es firmada, registrada y verificable. ~5 MB de RAM, licencia dual Apache/MIT. La elección para banca, defensa e infraestructura crítica donde cada acción debe ser probablemente segura y auditable.
GitHubBenchmarks de Rendimiento
El rendimiento importa de forma diferente según tu objetivo de deployment. Un footprint de 1 GB es irrelevante en un workstation de 64 GB pero descalificante en una Raspberry Pi. Acá están las métricas clave de los 9 frameworks.
| Proyecto | Tamaño Binario | RAM (idle) | Arranque en Frío | Costo Mín. Hardware |
|---|---|---|---|---|
| OpenClaw | ~200 MB | >1 GB | >500 ms | ~$50 (2 GB VPS) |
| Nanobot | ~80 MB | 191 MB | ~200 ms | ~$15 (Raspberry Pi) |
| Paperclip | ~150 MB | Varies | ~300 ms | ~$30 (1 GB VPS) |
| ZeroClaw | ~8 MB | <5 MB | <10 ms | ~$5 (cheapest VPS) |
| PicoClaw | ~12 MB | <10 MB | ~1 s | ~$10 (ESP32/Pi Zero) |
| NanoClaw | ~120 MB | ~50 MB | ~400 ms | ~$20 (512 MB VPS) |
| NemoClaw | ~250 MB | OC+ (GPU req.) | ~2 s | ~$100 (GPU instance) |
| OpenFang | ~15 MB | 40 MB | 180 ms | ~$10 (512 MB VPS) |
| IronClaw | ~6 MB | ~5 MB | ~50 ms | ~$30 (TEE-capable) |
Conclusión clave: ZeroClaw e IronClaw entregan los footprints más pequeños (menos de 10 MB de RAM cada uno), mientras NemoClaw requiere la mayor cantidad de recursos por la inferencia GPU. El footprint de >1 GB de OpenClaw es el principal motivador detrás de la mayoría de las alternativas.
Comparación de Seguridad
La seguridad es el diferenciador más importante en el ecosistema OpenClaw. El modelo de seguridad opt-in del proyecto original llevó a múltiples CVEs que motivaron directamente la creación de la mayoría de las alternativas. Acá está la postura de seguridad de cada framework.
OpenClaw
Seguridad opt-in. El crítico CVE-2026-25253 (RCE de 1 clic) fue el catalizador del ecosistema. CVEs adicionales: CVE-2026-25254 (SSRF vía adaptadores de canal), CVE-2026-25255 (escape de sandbox de plugins). El endurecimiento de seguridad se agregó en 2026.2.x pero sigue siendo opt-in. El sandbox por defecto está desactivado. La carga automática de plugins se desactivó después del CVE-2026-25255.
Nanobot
Aislamiento Docker. Cada agente corre dentro de un contenedor Docker por defecto. Cuatro CVEs fueron divulgados entre marzo y mayo de 2026 — un bypass crítico de allowlist (CVE-2026-31977), una inyección de prompt zero-click por email (CVE-2026-33654), y dos fallas del bridge de WhatsApp (secuestro de WebSocket CVE-2026-35589 y una escritura de archivos por path traversal, CVE-2026-48716) — todos parcheados rápidamente; usa v0.1.5.post4 o posterior. Políticas de red restringen el tráfico saliente, y el contenedor limita el radio de impacto. Sin embargo, el requerimiento de Docker agrega complejidad operativa.
Paperclip
Solo backend. Sin canales de mensajería significa sin superficie de ataque directa al usuario. La seguridad depende enteramente de tu infraestructura de deployment. Sin CVEs conocidos. El riesgo está en la capa de orquestación — una delegación de agente mal configurada podría encadenar acciones no intencionadas.
ZeroClaw
Defaults de seguridad activos desde la primera ejecución. Sandbox obligatorio, permisos basados en capacidades y perfiles seccomp. Sin CVEs conocidos. El modelo de seguridad de memoria de Rust elimina clases enteras de vulnerabilidades (buffer overflows, use-after-free). La postura de seguridad por defecto más fuerte del ecosistema.
PicoClaw
Superficie de ataque mínima. El binario Go no tiene sistema de plugins, carga dinámica de código ni eval. La seguridad viene de la simplicidad — hay menos para explotar. Un CVE conocido: CVE-2026-30101 (path traversal en adaptador de canal, parcheado en 0.4.2). Adecuado para deployments IoT aislados pero carece de funcionalidades de seguridad enterprise.
NanoClaw
Alianza con Docker, container-first. Integración oficial con Docker con imágenes base endurecidas, filesystem root de solo lectura, capabilities descartadas y políticas de red obligatorias. Sin CVEs conocidos. Se somete a auditorías de seguridad de terceros trimestrales. El estándar de oro para seguridad de agentes con aislamiento de contenedor.
NemoClaw
NVIDIA NeMo Guardrails. Seguridad a nivel AI sobre sandboxing a nivel proceso. Filtrado de contenido, detección de prompt injection y validación de output están integrados en el pipeline de inferencia. Un CVE conocido: CVE-2026-31200 (bypass de guardrail vía normalización Unicode, parcheado en 1.2.1). El único framework con capas de seguridad específicas para AI.
OpenFang
Modelo de seguridad de 16 capas. Aislamiento de red, sandboxing de filesystem, tokens de capacidad, separación de procesos, IPC encriptado, rate limiting, logging de auditoría, detección de anomalías, vaulting de credenciales, TLS mutual auth, firmado de binarios, protección de memoria, filtrado de syscalls, cuotas de recursos, switches dead-man y rollback automático. Sin CVEs conocidos. La arquitectura de seguridad más completa.
IronClaw
Trusted Execution Environments + WebAssembly. Cada acción del agente se ejecuta dentro de un TEE (Intel SGX, ARM TrustZone o AMD SEV) con WASM como sandbox de ejecución. Registros de auditoría criptográficos firman cada acción con una clave respaldada por hardware. Sin CVEs conocidos. El único framework que ofrece atestación a nivel hardware de que una acción específica fue realizada por una versión específica del agente.
Contexto crítico: CVE-2026-25253 (RCE de 1 clic de OpenClaw) fue divulgado en enero 2026 y afectó a todas las versiones antes de 2026.1.8. Permitía ejecución arbitraria de código en cualquier instancia de OpenClaw accesible por la red vía un mensaje manipulado. Este único CVE fue el catalizador directo de ZeroClaw, NanoClaw, OpenFang e IronClaw.
Tendencias del Ecosistema
El ecosistema de OpenClaw tiene menos de 5 meses, pero ya revela tendencias arquitectónicas claras que darán forma al futuro del desarrollo de agentes AI.
La Seguridad Es el Diferenciador #1
Cada alternativa importante a OpenClaw nació de preocupaciones de seguridad. ZeroClaw, NanoClaw, OpenFang e IronClaw citan CVE-2026-25253 en su README como motivación. La tendencia es clara: seguridad activada por defecto, sandboxing obligatorio y arquitectura zero-trust son requisitos básicos para nuevos frameworks. La seguridad opt-in es una responsabilidad.
Dominio de Rust
4 de los top 9 frameworks (ZeroClaw, OpenFang, IronClaw y partes de NemoClaw) están escritos en Rust. Las garantías de seguridad de memoria del lenguaje, abstracciones de costo cero y tamaños de binario mínimos lo hacen ideal para frameworks de agentes donde la seguridad y eficiencia importan. Los agentes basados en Rust usan 99% menos RAM que sus contrapartes en Node.js.
Aislamiento por Contenedores
La alianza de NanoClaw con Docker y el enfoque container-first de Nanobot representan una tendencia creciente: tratar cada agente como una carga de trabajo aislada con su propio límite de contenedor. Este enfoque intercambia algo de rendimiento por fuertes garantías de seguridad y simplicidad operativa. Espera que más frameworks adopten arquitecturas container-native.
Diversidad Arquitectónica Notable
En poco más de 7 meses, el ecosistema ha producido frameworks en 4 lenguajes (TypeScript, Python, Rust, Go), apuntando a hardware desde placas ESP32 de $10 hasta servidores con GPU, con modelos de seguridad que van desde mínimos hasta atestación criptográfica respaldada por TEE. Esta diversidad refleja la amplitud de casos de uso de agentes AI — ningún framework único puede servirlos a todos.
Mirando hacia adelante, el ecosistema probablemente se consolidará alrededor de 3-4 frameworks principales mientras los otros servirán nichos especializados. OpenClaw seguirá siendo el líder en funcionalidades, ZeroClaw el campeón de eficiencia e IronClaw el estándar de cumplimiento. La pregunta real es si el modelo fundacional abordará su deuda de seguridad lo suficientemente rápido para retener su posición dominante.