OpenClaw: guía completa para montar tu equipo de agentes en local

Tengo 6 agentes funcionando en OpenClaw. Ariel escribe mis posts de LinkedIn. Lentejo gestiona la newsletter. Remy investiga temas. Rafiki publica en el blog. Y dos más están en fase de montaje.

Todo eso corre en un servidor Ubuntu que me cuesta 8€/mes. Sin que yo toque nada.

Este tutorial es el que me hubiera gustado encontrar cuando empecé hace unos meses. No existe una guía decente en español de cómo montar un equipo real de agentes en OpenClaw — las que hay son o demasiado técnicas o demasiado superficiales. Aquí va la versión práctica, con los pasos exactos que seguí yo.

Qué es OpenClaw y por qué lo elegí para operar agentes

OpenClaw

Plataforma open source (originalmente Cline, más de 180K estrellas en GitHub) que permite crear, configurar y ejecutar agentes de IA autónomos en local. Soporta múltiples modelos (Claude, GPT, Gemini, DeepSeek) y ofrece un marketplace de skills llamado ClawHub para acelerar la configuración.

OpenClaw empezó como un fork de Cline, y a día de hoy tiene más de 180.000 estrellas en GitHub. Eso lo convierte en el proyecto open source de agentes de IA más popular del mundo, con diferencia.

¿Qué hace? Te permite crear agentes de IA que operan de forma autónoma. No chatbots — agentes. La diferencia es que un chatbot responde preguntas y un agente toma decisiones, ejecuta acciones y sigue instrucciones sin que tú estés delante.

Lo que me convenció de OpenClaw frente a otras opciones:

• Multi-modelo: puedo conectar Claude, GPT, Gemini, DeepSeek o Minimax. Cada agente usa el modelo que mejor le va según la tarea y el coste.
• ClawHub: marketplace con cientos de skills prediseñados. Instalar un skill es como instalar una app. Le das al botón y el agente gana una capacidad nueva.
• Open source: sin vendor lock-in. Si mañana OpenClaw desaparece, me llevo mis configuraciones y migro. Con herramientas cerradas no tienes esa opción.
• Corre donde quieras: en tu portátil, en un servidor, en una Raspberry Pi si te da la gana.

Según datos de GitHub, más de 40.000 desarrolladores contribuyen activamente al proyecto. No es un juguete de nicho — es infraestructura real.

Lo que necesitas antes de instalar OpenClaw

Antes de tocar nada, asegúrate de que tienes esto:

Hardware mínimo: cualquier ordenador con 4GB de RAM libre. OpenClaw en sí consume poco — el peso lo llevan los modelos que ejecutas vía API. Si vas a montar más de 3 agentes corriendo en paralelo, un VPS con 4-8GB de RAM es lo ideal.

API key de un modelo de IA: desde abril 2026, las suscripciones Pro y Max de Anthropic ya no cubren herramientas de terceros como OpenClaw. Necesitas una API key directa. Yo uso la de Anthropic (Claude Sonnet) para mis agentes principales y DeepSeek para los de volumen alto y bajo coste.

Node.js 18+: OpenClaw corre sobre Node. Si no lo tienes, nvm install 18 y listo.

VS Code (recomendado): OpenClaw tiene una extensión oficial para VS Code que hace la configuración mucho más visual. Se puede usar por línea de comandos también, pero la extensión es más cómoda para empezar.

No necesitas saber programar. En serio. La configuración inicial es lenguaje natural y clicks.

Instalación paso a paso

Esto son literalmente 10 minutos. Probado en Mac, Linux y Windows (con WSL).

La ruta más directa es instalarlo como extensión de VS Code. Abre el marketplace de extensiones, busca "OpenClaw" y dale a instalar. Tarda segundos.

Paso 1 — Instalar OpenClaw. Desde VS Code: Ctrl+Shift+X → buscar "OpenClaw" → Instalar. Alternativa por terminal: npx @openclaw/cli init. Ambos caminos funcionan.

Paso 2 — Configurar tu API key. Al abrir OpenClaw por primera vez te pide un modelo y una API key. Mi consejo: empieza con Claude Sonnet. Es el mejor equilibrio entre calidad y coste para agentes. Ve a console.anthropic.com, crea una key, cópiala, pégala en OpenClaw. Pon un límite de gasto mensual de 30€ — yo aprendí esto por las malas.

Paso 3 — Test rápido. Escribe en el panel de OpenClaw: "Crea un archivo hola.txt con un saludo". Si lo hace, funciona. Si da error, revisa que la API key sea correcta y tenga crédito.

Ya está. Tienes OpenClaw instalado. Ahora viene lo interesante.

Tu primer agente: de cero a funcionando en 20 minutos

Un agente en OpenClaw no es más que un conjunto de instrucciones + un modelo + opcionalmente unos skills del ClawHub.

Voy a usar el ejemplo de mi agente más simple: Remy. Remy hace research. Le doy un tema, investiga, y me devuelve un documento estructurado con fuentes verificadas.

Crear el agente: en OpenClaw, vas a "Agents" → "New Agent". Le pones nombre (Remy), eliges modelo (Sonnet para calidad, DeepSeek para volumen) y escribes sus instrucciones en lenguaje natural.

Las instrucciones de Remy son algo así:

Eres Remy, un investigador. Cuando recibas un tema, busca información actualizada, contrasta al menos 3 fuentes y devuelve un briefing estructurado con: resumen ejecutivo, datos clave con fuentes, y 3 ángulos originales para escribir sobre el tema.

Eso es todo. No hay código. No hay API. No hay JSON. Es texto plano que describe lo que quieres que haga.

Añadir skills: desde el ClawHub puedes instalar skills como "Web Search" (para que busque en internet), "File Writer" (para que guarde el resultado en un archivo), o "Notify" (para que te avise cuando termine). Cada skill se instala con un click.

Testear: lanza el agente con un prompt como "Investiga las tendencias de solopreneurs con IA en España en 2026". Si el resultado es bueno, tienes un agente funcional. Si no, ajustas las instrucciones y repites. Es un proceso iterativo — no esperes perfección al primer intento.

Yo tardé 3 iteraciones en tener a Remy dando resultados consistentes. No es magia, es afinación.

ClawHub: los skills que te ahorran semanas de trabajo

ClawHub es el marketplace de habilidades para agentes de OpenClaw. Piensa en ello como una App Store, pero para capacidades de agentes.

Hay skills para casi todo: buscar en la web, leer y escribir archivos, enviar emails, conectar con APIs externas, trabajar con bases de datos, generar imágenes, publicar en redes sociales.

Los que más uso yo:

La clave con los skills es no instalar todo de golpe. Empieza con el mínimo: Web Search + File Manager. Eso cubre el 80% de los casos de un agente de research o contenido. Añade más solo cuando tu agente necesite una capacidad que no tiene.

Un error frecuente es montar un agente "todoterreno" con 15 skills. Cuantos más skills tiene un agente, más tokens consume por cada ejecución (porque necesita evaluar cuál usar). Más tokens = más coste = más lento. Mis agentes tienen entre 2 y 5 skills cada uno. Ni más ni menos.

Mi setup real: cómo organizo 6 agentes en OpenClaw

Llevo unos meses operando con este equipo. Cuatro agentes están en producción diaria y dos en fase de montaje. Así está organizado:

Ariel (LinkedIn) — el que más ROI me da. Genera borradores de posts para LinkedIn basándose en las semillas que le doy. Usa Sonnet para la calidad del texto. Publica entre 8 y 10 posts por semana, cosa que a mano me llevaría unas 6-8 horas semanales.

Lentejo (Newsletter) — gestiona las newsletters de SendFox. Lee las campañas anteriores para mantener el tono, redacta, formatea y programa. Me envía una notificación por ntfy cuando el borrador está listo para que yo lo apruebe.

Remy (Research) — el investigador. Antes de escribir cualquier cosa, Remy me prepara un briefing. Lo uso para los posts del blog, para las newsletters y para las decisiones de negocio. Es como tener un analista junior disponible 24/7.

Rafiki (Blog SEO) — el que ha escrito este post. Elige la keyword del plan de contenidos, redacta, genera los SVGs, hace el build, verifica el SEO y despliega en Vercel. De los 4, es el más complejo técnicamente porque toca código y sistemas de build.

Desdentado (YouTube) — en montaje. La idea es que genere guiones para YouTube Shorts a partir de los posts del blog. Está en fase de pruebas.

FBS (Analítica) — en montaje. Conectará con Google Search Console y me dará reportes semanales de qué posts posicionan, cuáles necesitan optimización y dónde hay oportunidades.

La regla que sigo: un agente, una responsabilidad. Nada de agentes que hacen 5 cosas. Si necesitas 5 cosas, montas 5 agentes. Es más barato, más fiable y más fácil de depurar cuando algo falla.

El coste real mes a mes (desglose sin trampa)

Esto es lo que pago de verdad. Sin redondear a la baja ni omitir nada.

Un equipo humano equivalente — un community manager junior, un redactor, un analista, un SEO y un developer junior — costaría entre 12.000 y 16.000€ al mes en sueldos brutos más Seguridad Social. Mis 6 agentes hacen el 70-80% de lo que haría ese equipo por 133€. No es perfecto, pero la relación coste-resultado es absurda.

El truco para mantener el coste bajo: elegir el modelo por agente. Ariel usa Sonnet porque la calidad del texto importa. Si Remy tuviera que hacer research de alto volumen, usaría DeepSeek (mucho más barato por token). No todos los agentes necesitan el modelo más caro.

Los 3 errores que cometí al montar mi equipo

Para que no pierdas el tiempo que perdí yo.

Error 1: no poner límite de gasto desde el primer día. Mi primer mes con OpenClaw, antes del cambio de Anthropic, no controlé los tokens. Los agentes iteran en bucles — piensan, ejecutan, evalúan, repiten. Cada iteración consume. Sin límite, un agente que se queda atascado en un bucle puede quemarte 50€ en una noche. Ahora tengo un límite mensual en la consola de Anthropic y un alert cuando llego al 80%.

Error 2: instrucciones demasiado vagas. Mi primera versión de Ariel decía: "Escribe posts para LinkedIn sobre emprendimiento e IA". El resultado era genérico, motivacional, exactamente lo contrario de lo que publico. La instrucción actual tiene 400 palabras, con ejemplos de tono, frases prohibidas y estructura exacta del post. Cuanto más específicas las instrucciones, mejor el resultado.

Error 3: intentar que un agente haga todo. Empecé con un "superagente" que hacía research, escribía, publicaba y analizaba métricas. Era un desastre. Se confundía entre tareas, el contexto se saturaba y los resultados eran mediocres en todo. Cuando lo separé en agentes especializados — cada uno con una sola responsabilidad — la calidad se multiplicó.

La lección que más me costó aprender: un agente bueno es un agente que hace UNA cosa bien. Si necesitas 5 cosas, monta 5 agentes. El coste es el mismo (o menor, porque cada uno consume menos contexto) y la fiabilidad se multiplica.

Si estás pensando en montar tu propio equipo de agentes, empieza con uno. Solo uno. El más simple que puedas imaginar. Que funcione bien durante una semana. Luego añade el segundo. Y así. No montes los 6 de golpe como hice yo — te vas a volver loco.

Lo que me funciona ahora lo cuento con más detalle en el desglose de mi equipo y sus costes. Y si quieres entender la diferencia entre OpenClaw y Claude Code (que uso para construir, no para operar), la tienes en la comparativa directa.

El directorio completo de agentes de IA que uso también está disponible si quieres ver casos de uso más allá de los míos.