Cinco repositorios gratis para empezar a construir con IA

Hay una diferencia grande entre usar IA y construir con IA. Para lo primero alcanza con abrir ChatGPT. Para lo segundo —conectar un modelo a tus datos, automatizar un proceso, armar algo que corra solo— hacen falta herramientas, y la buena noticia es que las mejores son gratis y abiertas.

Esta es una lista corta y opinada: cinco repositorios que cubren casi todo lo que vas a necesitar al principio. No están elegidos por populares, sino porque cada uno resuelve un problema distinto y los cinco juntos no se pisan.

Las cifras de estrellas son de octubre de 2026 y suben todo el tiempo; las incluimos para dar una idea de qué tan vivo está cada proyecto, no como medida de calidad.

Lo que resuelve cada uno

Herramienta	Para qué sirve	Estrellas	Licencia
Ollama	Correr modelos en tu propia máquina	182k	MIT
LangChain	Conectar un modelo con datos y herramientas	147k	MIT
LlamaIndex	Que el modelo responda con tus documentos	52k	MIT
CrewAI	Varios agentes con roles que colaboran	59k	MIT
Awesome LLM Apps	Más de 100 aplicaciones listas para leer y clonar	141k	Apache-2.0

Las cinco licencias son permisivas, así que puedes usarlas en proyectos comerciales. Eso no es poca cosa: mucha herramienta que parece abierta tiene letra chica que aparece justo cuando quieres cobrar por lo que construiste.

1. Ollama — modelos en tu propia máquina

github.com/ollama/ollama

El problema que resuelve: probar modelos sin crear cuentas, sin tarjeta y sin que tus datos salgan de tu computadora.

Ollama descarga y ejecuta modelos abiertos —Llama, Qwen, Gemma, DeepSeek y varios más— localmente. Se instala y se usa con un comando. Si trabajas con información de clientes y te frena la idea de pegarla en un servicio de terceros, esto resuelve esa objeción de raíz: nada sale de tu equipo.

Cuándo no lo necesitas: si tu caso es generar texto de marketing o resumir documentos públicos, un modelo comercial por API va a ser más barato, más rápido y mejor. Lo local tiene sentido cuando la privacidad, el costo por volumen o el trabajo sin conexión pesan de verdad. Y pide hardware: con 8 GB de RAM vas a correr modelos chicos y lentos.

2. LangChain — el cableado entre el modelo y el resto

github.com/langchain-ai/langchain

El problema que resuelve: un modelo solo responde texto. Para que consulte una base, llame a una API o encadene varios pasos, hace falta algo en el medio.

LangChain es ese algo. Es el framework más usado del rubro y el que más documentación y ejemplos tiene, que al principio importa más que la elegancia.

La advertencia honesta: tiene fama de pesado, y con razón. Para un caso simple —una llamada al modelo y listo— agrega capas que no necesitas, y vas a pelearte con abstracciones para hacer algo que en veinte líneas de Python ya funcionaba. Empieza sin framework; súmalo cuando el cableado se vuelva el problema.

3. LlamaIndex — que el modelo conozca tus documentos

github.com/run-llama/llama_index

El problema que resuelve: el modelo no sabe nada de tu empresa. LlamaIndex le da acceso a tus documentos para que responda con ellos en vez de inventar.

La técnica se llama RAG: en lugar de reentrenar el modelo —caro y lento—, se buscan los fragmentos relevantes de tus archivos y se le pasan junto con la pregunta. Es lo que hay detrás de casi todo “chatea con tus PDFs”.

Para qué sirve en la práctica: manuales internos, documentación de producto, históricos de soporte, normativa. Todo eso que alguien del equipo busca a mano cada vez.

Cuándo no lo necesitas: si son veinte documentos, pegarlos directamente en el prompt funciona y no requiere infraestructura. RAG empieza a pagar cuando el volumen no entra en una conversación.

4. CrewAI — varios agentes con roles distintos

github.com/crewAIInc/crewAI

El problema que resuelve: tareas que una sola pasada del modelo hace mal, pero que salen bien si se dividen. Uno investiga, otro redacta, otro revisa.

CrewAI arma esos equipos: defines roles, objetivos y cómo se pasan el trabajo.

Dónde está la trampa: es la categoría más vendida y la que más decepciona. Multiplicar agentes multiplica los puntos de falla, el costo y el tiempo de respuesta — y en muchos casos un solo prompt bien escrito gana. Prueba primero con uno. Si de verdad se te mezclan responsabilidades y el resultado mejora al separarlas, ahí sí.

5. Awesome LLM Apps — más de cien ejemplos para leer

github.com/Shubhamsaboo/awesome-llm-apps

El problema que resuelve: la distancia entre entender los conceptos y ver cómo se ensambla todo junto.

Es una colección de aplicaciones completas y funcionando, con su código. No es una herramienta, es material de lectura — y probablemente lo que más te acelere al principio.

Cómo aprovecharlo: busca el ejemplo más parecido a lo que quieres hacer, córrelo, rómpelo a propósito y arréglalo. Se aprende más de eso que de cualquier tutorial.

En qué orden tocarlos

1. Ollama primero. Tener un modelo corriendo en tu máquina en diez minutos cambia la relación con el tema: deja de ser abstracto.
2. Después, Python pelado contra una API. Sin frameworks. Para entender qué es un prompt, un token y por qué a veces inventa.
3. LlamaIndex cuando tengas documentos propios. Es el primer salto a algo que resuelve un problema real.
4. LangChain cuando el cableado moleste. No antes.
5. CrewAI al final, y con escepticismo.

Y Awesome LLM Apps en paralelo todo el tiempo, como referencia.

Lo que ninguna de las cinco resuelve

Las herramientas no arreglan un proceso desordenado. Si los datos están en cinco planillas que no coinciden, o nadie sabe cuál es la versión buena de un documento, ningún framework de esta lista lo va a solucionar — y un sistema con IA encima del desorden lo acelera, no lo corrige.

Por eso lo primero no es elegir herramienta: es tener claro qué problema vas a resolver y si hay datos confiables para hacerlo. Lo demás viene después.

---

¿Quieres aprender esto trabajando en un proyecto real con un equipo? Es exactamente lo que hacemos en el Lab. Y si lo tuyo es decidir dónde conviene aplicar IA en tu operación, el diagnóstico es gratis y te lleva seis minutos.