La señal más interesante de esta edición no es un modelo nuevo, sino la infraestructura que permite a los agentes trabajar durante más tiempo, conservar contexto, hablar en tiempo real y operar con controles más claros. La selección fue verificada el 7 de agosto de 2026 y prioriza repositorios recientes, activos, no archivados y con utilidad práctica para equipos que construyen agentes, automatizaciones y productos de IA.
Voz y presencia para agentes
Qwen Audio Agent
Autor: QwenAudio
Estrellas verificadas: 2.0k
Qué hace: Runtime de voz en tiempo real para agentes. Mantiene la conversación activa mientras un agente ejecuta tareas en segundo plano, admite interrupciones naturales y puede reutilizar herramientas, MCP y skills del backend seleccionado.
Por qué importa: Reduce una de las fricciones más visibles de los agentes de voz: el silencio mientras el sistema piensa o ejecuta herramientas. Su arquitectura separa la conversación de las tareas y permite que ambas continúen en paralelo.
GitHub: https://github.com/QwenAudio/qwen-audio-agent
Agentes operativos y aplicaciones verticales
Comp AI CRM
Autor: Comp AI (trycompai)
Estrellas verificadas: 7.4k
Qué hace: CRM open source diseñado alrededor de un agente autónomo que mantiene notas, investiga contactos, programa seguimientos y opera sobre su propia cola de trabajo.
Por qué importa: Cambia el patrón tradicional de añadir un chatbot a un CRM. Aquí el agente es el operador y el CRM funciona como memoria, evidencia y superficie de control. Es una señal clara de cómo las apps verticales empiezan a diseñarse agent-first.
GitHub: https://github.com/trycompai/crm
Marketing Team eve Template
Autor: Vercel Labs
Estrellas verificadas: 431
Qué hace: Plantilla de un equipo de agentes de marketing con un team lead que delega trabajo a especialistas de contenido, social, SEO, email y product marketing, con Slack como interfaz y herramientas como Notion, Typefully y Resend.
Por qué importa: Muestra una arquitectura multiagente práctica con límites de autoridad. Los borradores avanzan sin fricción, pero acciones irreversibles como publicar o enviar campañas requieren aprobación humana.
GitHub: https://github.com/vercel-labs/marketing-team-eve-template
Memoria y contexto
OptMem
Autor: Victor Taelin (VictorTaelin)
Estrellas verificadas: 1.1k
Qué hace: Sistema de memoria persistente para agentes basado en un script de Python sin dependencias y un prompt de 426 tokens. Mantiene un log append-only y una estructura de resúmenes navegable.
Por qué importa: Ataca la memoria desde el extremo opuesto a los stacks pesados de embeddings y bases vectoriales. Es pequeño, portable y desacoplado del proveedor del modelo, lo que facilita conservar continuidad entre sesiones y herramientas.
GitHub: https://github.com/VictorTaelin/OptMem
Context Ontology Accelerator
Autor: AWS
Estrellas verificadas: 395
Qué hace: Capa semántica open source que combina grafos de conocimiento, ontologías formales y reglas para que los agentes recuperen contexto, lo validen contra lógica de negocio y determinen acciones.
Por qué importa: La calidad de un agente empresarial depende menos de cuánto texto puede leer y más de si entiende reglas, relaciones y restricciones. Este proyecto convierte ese contexto en una capa explícita y auditable.
GitHub: https://github.com/aws/context-ontology-accelerator
Workflows, auditoría y ejecución prolongada
LongHorizon-Harness
Autor: AMAP-ML
Estrellas verificadas: 362
Qué hace: Harness para tareas de larga duración sobre escritorio y terminal. Mantiene el estado fuera del contexto del modelo, ejecuta subtareas con contexto fresco y usa un auditor independiente para verificar progreso antes de continuar.
Por qué importa: Ataca directamente el state drift y las falsas declaraciones de finalización que aparecen en tareas largas. La separación entre gestión, ejecución y auditoría ofrece un patrón reusable para agentes más confiables.
GitHub: https://github.com/AMAP-ML/LongHorizon-Harness
deer-workflow
Autor: deerwork-ai
Estrellas verificadas: 396
Qué hace: Runtime de graph engineering donde TypeScript define rutas, fases, inputs y manejo de fallos, mientras agentes reemplazables como Codex o Claude Code realizan el trabajo semántico dentro de cada nodo.
Por qué importa: Devuelve la orquestación a código revisable en vez de esconderla dentro de conversaciones opacas. Para sistemas complejos, eso mejora observabilidad, pruebas y capacidad de cambiar de modelo o agente sin reescribir todo el flujo.
GitHub: https://github.com/deerwork-ai/deer-workflow
Human-in-the-loop para revisar mejor
Human Review
Autor: Peter Yang (petergyang)
Estrellas verificadas: 530
Qué hace: Skill y herramienta visual para editar HTML y Markdown, dejar comentarios como en un documento colaborativo y enviar todo el feedback al agente en un solo lote.
Por qué importa: Resuelve un cuello de botella muy real: revisar trabajo generado por agentes mediante instrucciones de chat es lento y ambiguo. Una superficie visual reduce ciclos de feedback y deja al humano controlar exactamente qué debe cambiar.
GitHub: https://github.com/petergyang/human-review
Repo de la semana
Qwen Audio Agent es el repo de la semana porque combina varias tendencias que están convergiendo al mismo tiempo: voz en tiempo real, tareas paralelas, memoria local, computer use y compatibilidad con múltiples agentes. Sus releases del 3 al 7 de agosto muestran una velocidad de iteración especialmente alta y una visión clara de cómo un asistente puede mantenerse presente mientras el trabajo continúa en segundo plano.