¿Qué ocurre cuando dejas de mirar los modelos de forma aislada y empiezas a mapear todo el ecosistema a su alrededor? La lista de trending de hoy en GitHub revela un patrón claro: la carrera ya no es sobre quién tiene el modelo más pesado, sino sobre quién construye la infraestructura que permite que los agentes de IA funcionen de forma continua, segura e interoperable en producción.
Claude-Mem (thedotmack/claude-mem) — 109.004 estrellas
El repositorio que más crece hoy es Claude-Mem, con 1.527 estrellas en un solo día. La propuesta es sencilla en la superficie y compleja en la implementación: capturar todo lo que un agente de código hace durante una sesión, compactarlo con IA e inyectar contexto relevante en las sesiones futuras. Detrás de esa simplicidad hay un worker daemon en Express, hooks que interceptan eventos del Claude Agent SDK (session-init, PreToolUse, session-complete), SQLite con FTS5 para búsqueda full-text, Chroma para embeddings vectoriales y un viewer web en tiempo real. El proyecto ahora soporta 28 idiomas, incluye Knowledge Agents — cerebros consultables a partir de la historia de observaciones — y funciona con Claude Code, Codex, Gemini, Copilot, Cursor, OpenCode y más. Lo que hace emblemático al Claude-Mem no es lo que hace (memoria persistente ya existía), sino lo profundo que está implementado: 50 observaciones de contexto, control granular sobre qué agentes entran en el contexto principal, y una capa de compresión que decide automáticamente qué vale la pena recordar y qué puede descartarse. Es el sistema de memoria a largo plazo que toda herramienta de agente de código necesita, pero que casi ninguna ha implementado con esta madurez.
T3 Code (pingdotgg/t3code) — 37.484 estrellas
Con 3.100 estrellas en un día, T3 Code es el proyecto con mayor ganancia numérica hoy. La descripción oficial lo llama "superficie de control para agentes," pero lo que significa en la práctica es más directo: una aplicación de escritorio, móvil y web que permite controlar cualquier agente de código que tengas instalado — Claude Code, Codex, Cursor, Grok Build, OpenCode, Google Antigravity — cada uno con su propia suscripción. La diferencia del T3 Code es que es una herramienta "trae tu propia suscripción": no empaqueta modelos, no cobra mensualidad extra y opera enteramente sobre los logins que ya tienes. La app corre como servicio de fondo, sincroniza proyectos parados e hilos estancados, y usa event sourcing a través de un event sink para mantener el estado consistente entre máquina y móvil. Es una capa de abstracción que convierte cinco clientes de IA en una interfaz unificada — y la pregunta que esto plantea es si este patrón se volverá tan común como un gestor de contraseñas para herramientas de IA.
OpenMausBot (milind-soni/OpenMausBot) — 10.403 estrellas
919 estrellas en un día para un proyecto que se posiciona abiertamente como alternativa open source al Grok Bot de xAI, al Meta Muse, al OpenAI dots y al Cue del Manus. La premisa: en lugar de un único agente corriendo en la nube del vendor, armas tu propio equipo de bots, cada uno con su propio modelo (Claude, Codex, Grok), corriendo localmente, con datos almacenados en tu máquina. La app usa CLIs locales para conducir los agentes — no pide claves de API, usa los logins que ya tienes — y ofrece un model picker donde Claude y Codex aparecen lado a lado. El proyecto nació un día después del lanzamiento del Grok Bot, lo que ilustra cuán rápido la competencia open source responde a productos cerrados. En siete semanas de 2026 sola, cuatro grandes empresas lanzaron productos de agentes personales cerrados, y cada uno mantiene el modelo, la computadora y los datos de su lado. OpenMausBot invierte eso: el equipo es tuyo, la computadora es tuya, los datos son tuyos.
Lightpanda (lightpanda-io/browser) — 39.956 estrellas
827 estrellas en un día para el proyecto que está construyendo un navegador headless desde cero, escrito en Zig. No es un fork del Chromium, no es un parche del WebKit: es un navegador completamente nuevo, diseñado específicamente para agentes de IA y automatización. Los benchmarks muestran 16x menos memoria (123 MB vs 2 GB para 100 páginas) y 9x más rápido (5s vs 46s) que el headless Chrome. Lightpanda no tiene motor de renderizado gráfico — elimina todo lo innecesario para automatización — e incluye un modo "agent" incorporado que soporta Anthropic, OpenAI, Gemini, Vertex AI, Mistral, Hugging Face y gateways como Vercel AI Gateway y OpenRouter. En otras palabras, el navegador y el modelo de IA comparten el mismo proceso. Para agentes que necesitan interactuar con la web, esto elimina una capa entera de complejidad: en lugar de correr un browser headless separado y comunicarse vía WebSocket, el agente corre dentro del navegador.
Kronos (shiyu-coder/Kronos) — 45.236 estrellas
611 estrellas en un día para lo que sus autores llaman el primer modelo foundation open source para velas financieras (K-lines). Entrenado en datos de más de 45 bolsas globales, Kronos usa un tokenizer especializado que cuantiza datos OHLCV continuos en tokens discretos jerárquicos, y luego entrena un Transformer autoregresivo en esos tokens. El modelo mini tiene apenas 4 millones de parámetros y corre un demo en vivo prediciendo precios de BTC/USDT con intervalos de incertidumbre probabilística vía Monte Carlo. Lo que hace interesante al Kronos no es la precisión de las predicciones — nadie espera que un modelo prediga mercados — sino el enfoque: tratar los datos financieros como un "lenguaje" con tokens discretos, y no como una serie temporal continua, es un cambio de paradigma que podría aplicarse a otros dominios más allá del cripto.
Handy (cjpais/handy) — 36.396 estrellas
383 estrellas en un día para una aplicación de speech-to-text que corre completamente offline, construida en Rust con Tauri. El concepto es sencillo: presiona un atajo, habla y el texto aparece en cualquier campo de texto. El proceso usa Whisper de OpenAI para reconocimiento, Silero para detección de actividad de voz y ggml para inferencia local. A diferencia de soluciones como Dictation.io o servicios basados en API, Handy no envía ni un byte a la nube — todo corre en tu máquina. Con 29.200 estrellas, es el repositorio más popular de la lista en términos absolutos, mostrando que la demanda por transcripción offline local no ha disminuido.
Claude Code Game Studios (Donchitos/Claude-Code-Game-Studios) — 32.074 estrellas
970 estrellas en un día para un proyecto que convierte una sesión única del Claude Code en un estudio completo de desarrollo de juegos: 49 agentes especializados, 74 skills (comandos slash), 15 hooks de automatización y 14 reglas de calidad organizadas en una jerarquía de estudio — directores que custodian la visión, líderes de departamento y especialistas. Cada agente tiene responsabilidades definidas, caminos de escalada y gates de calidad. El proyecto incluye su propio framework de pruebas (CCGS Skill Testing Framework) que corre linters estructurales, rubricas de categoría y pruebas comportamentales. Es la materialización concreta de un patrón que gana tracción: en lugar de un único asistente genérico, equipos de agentes especializados con separation of concerns rígido.
Kornia (kornia/kornia) — 11.731 estrellas
88 estrellas en un día para una biblioteca de computer vision diferenciable para PyTorch, con más de 1.200 operadores en geometría, feature matching, filtering, color, augmentation y modelos (14 familias, incluyendo RT-DETR, SAM, LoFTR). Kornia se posiciona como la implementación de referencia para computer vision diferenciable en el ecosistema PyTorch, con soporte de export a ONNX para deploy en producción. Lo que la diferencia es el enfoque: cada operador soporta autograd, lo que significa que operaciones clásicas de visión computacional — warping, homografía, feature detection — pueden integrarse directamente en loops de entrenamiento. Para Spatial AI, esto es fundamental: robots y vehículos autónomos necesitan que la percepción visual sea parte del gradiente, no un módulo separado congelado.
AiSOC (beenuar/AiSOC) — 6.103 estrellas
436 estrellas en un día para lo que el proyecto llama "AI Security Operations Center" open source. A diferencia de SIEMs tradicionales, AiSOC usa agentes LLM para triage de alertas de seguridad, con cada decisión registrada en un Investigation Ledger reproducible — cada prompt, tool call, evidencia y decisión están registrados. El sistema usa LangGraph con agentes multi-tarea (orchestrator, recon, forensic, responder, report-writer), basados en MITRE ATT&CK con Qdrant para RAG. El substrate tiene un eval harness público que corre en CI, y cada PR que apunta a main o develop es verificado contra un suite de 200 casos. La propuesta es que, a diferencia de SOCs cerrados que corren en infraestructura de vendor, AiSOC expone el loop entero del agente para auditoría — algo crítico para compliance SOC 2, ISO 27001 y controles DORA.
public-apis (public-apis/public-apis) — 494.409 estrellas
298 estrellas en un día para el clásico: la lista comunitaria más popular de APIs gratuitas, con más de 1.400 APIs organizadas en más de 50 categorías. Con 494k estrellas y 6.400 commits, es uno de los proyectos open source más antiguos y resilientes de GitHub. El hecho de seguir en trending 10 años después de creado muestra algo importante: el ecosistema de desarrollo necesita un registro vivo de qué APIs están disponibles, y la comunidad sigue contribuyendo activamente.
¿Qué conecta estos diez repositorios? La respuesta no es una tecnología específica, sino un cambio de capa. En los primeros meses de 2026, la discusión sobre agentes giraba en torno a qué modelo era más capaz. Hoy, la discusión es sobre memoria persistente (Claude-Mem), control unificado (T3 Code, OpenMausBot), rendimiento de infraestructura (Lightpanda, Kornia), seguridad (AiSOC) y coordinación de equipos (Game Studios). Los modelos se han convertido en commodity — lo que diferencia es quién construye las capas que permiten que múltiples agentes operen juntos sin perder contexto, sin dejar escapar los datos del usuario, y sin depender exclusivamente de la nube del vendor.
La infraestructura open source de agentes de IA se está consolidando en tres capas: persistencia (memoria, contexto, identidad del proyecto), control (interfaces unificadas, permisos, multi-agente) y seguridad (auditoría, compliance, detección). Quien controle esas capas controlará el ecosistema, no quién entrene el próximo modelo.
Fuentes: GitHub Trending, Claude-Mem Documentation, T3 Code README, OpenMausBot README, Lightpanda Browser README, Kronos Paper (arXiv), Handy README, Claude Code Game Studios README, Kornia Documentation, AiSOC Documentation, public-apis Repository
✓ Fuentes independientes cruzadas y verificadas antes de la publicación
