AutoClaw: el agente local OpenClaw de Zhipu AI que se instala con un clic

AutoClaw es un cliente de escritorio de agentes publicado por Zhipu AI y presentado por su editor como la primera versión local de OpenClaw que se instala con un solo clic. OpenClaw es un marco de agentes de código abierto que normalmente exige preparar el entorno de ejecución, la cadena de dependencias y un puente de mensajería a mano. AutoClaw concentra esa puesta en marcha en un único instalador para macOS y Windows, de modo que el despliegue lleva aproximadamente un minuto y, a partir de ahí, el usuario encarga trabajo al agente desde una ventana de chat en Feishu o una herramienta similar. La diferencia relevante frente a los asistentes solo en la nube es que las tareas se ejecutan en el equipo local mientras la capa de modelo permanece abierta a API de terceros.

La estructura del producto tiene tres capas. Un núcleo de agente local convierte una petición en lenguaje natural en un plan de varios pasos y llama a herramientas para ejecutarlo. Una capa de acceso recibe las instrucciones desde la mensajería y devuelve el resultado a la misma conversación. Sobre ellas se apoyan dos superficies de extensión: más de 50 habilidades listas para usar y una capa de modelo que alterna entre Pony-Alpha-2, el modelo propio de Zhipu, y API externas como DeepSeek, Kimi, MiniMax o GLM.

La combinación atiende un problema práctico más que una carencia de capacidades. Los marcos de agentes abiertos ya son competentes, pero la instalación implica entornos, credenciales, permisos y canales de mensajes, y ahí es donde se detiene la mayoría de los usuarios no técnicos. AutoClaw traslada ese trabajo al instalador y reduce la superficie de uso a una caja de chat.

Capacidades principales

Despliegue de un clic en ambos sistemas

Hay instaladores para macOS y Windows, y el editor afirma que la instalación se completa en torno a un minuto sin configurar el entorno a mano. Para un marco que de otro modo obliga a seguir la documentación comando a comando, esto elimina la primera barrera y la más alta.

Encargo de tareas dentro de la mensajería

AutoClaw se integra en Feishu y otras herramientas de mensajería habituales. Tras vincular la cuenta, las tareas se lanzan directamente en el chat y la salida vuelve al mismo hilo. El trabajo y el contexto de la conversación quedan en un solo lugar en vez de repartirse entre un cliente de chat y una consola de agentes aparte.

Más de 50 habilidades y una tienda de skills

El cliente incluye una biblioteca de habilidades para programación, tratamiento de documentos, análisis de datos y creación de contenido. Un paquete adicional, GLM Office Skills, añade cinco habilidades de oficina para PPT, DOCX, XLSX, PDF y gráficos, con plantillas por escenario, autocomprobación y conversión de formato; según el editor, genera un documento completo junto con las notas del orador.

Automatización del navegador

Un agente de navegador basado en AutoGLM puede recorrer cadenas de varias páginas y pasos, como recopilar información, rellenar formularios y gestionar pedidos. Esta es la pieza que convierte la conversación en trabajo terminado, porque la mayoría de las tareas reales acaban en un formulario web o en un panel de administración, no en una respuesta de chat.

Elección de modelo y ejecución local

AutoClaw no ata al usuario a un solo modelo. Además del Pony-Alpha-2 integrado, se pueden introducir claves de API de DeepSeek, Kimi, MiniMax y GLM. Las tareas corren en el ordenador local, de modo que los datos de trabajo no tienen que subir a la nube del proveedor, algo relevante con contratos, estados financieros y documentos internos.

Memoria que evoluciona

Al terminar una conversación el agente detecta correcciones, preferencias e intentos fallidos y, una vez que el usuario los aprueba, los guarda como memoria permanente. Un error corregido una vez no hay que explicarlo de nuevo, así que el comportamiento se ajusta poco a poco a los hábitos de cada persona.

Cómo empezar

1. Abre la página oficial de AutoClaw en autoglm.zhipuai.cn/autoclaw, descarga la versión para macOS o Windows según tu sistema y ejecuta el instalador de un clic.
2. Configura el modelo en el cliente: mantén el Pony-Alpha-2 integrado o pega una clave de API de DeepSeek, Kimi o GLM. El consumo de terceros lo factura cada proveedor según sus tarifas.
3. Sigue las indicaciones en pantalla para vincular una cuenta de Feishu y menciona a AutoClaw en un chat para encargar una tarea; el progreso y el resultado vuelven a la conversación.
4. Empieza por un encargo acotado, como resumir notas de reunión o extraer una tabla de una página, revisa la salida y solo después delega trabajo largo de varios pasos mientras la memoria recoge tus correcciones.

Coste y cuotas

• El editor indica que se incluye una cierta cantidad de uso gratuito para probar el producto sin coste; la cifra exacta de la cuota no se publica.
• Frente a las plataformas de agentes en la nube no hay alquiler mensual por adelantado, de modo que el gasto sigue al uso real y no a una suscripción fija.
• Al conectar modelos externos, las tarifas por token las cobran DeepSeek, Kimi, MiniMax o GLM con sus propias listas de precios. AutoClaw no publica ningún recargo, y tampoco se han anunciado planes de suscripción ni precios para empresas.

Dónde encaja

• Producción de contenido: redactar textos para redes, maquetar texto e imagen y publicar en varias plataformas en un solo flujo.
• Desarrollo de software: escribir el código de un sitio a partir de un documento de requisitos, además de bocetos de arquitectura, revisión de código y corrección de errores.
• Automatización de oficina: análisis de hojas de cálculo, elaboración de presentaciones y limpieza de actas de reunión.
• Investigación financiera: extraer informes de empresas cotizadas, redactar notas de análisis y seguir la evolución del mercado.
• Tareas de navegador: recopilar información en varios sitios, rellenar formularios y gestionar pedidos de principio a fin.
• Encaja sobre todo en personas y equipos pequeños que quieren un agente dentro de su flujo de chat habitual y no están dispuestos a mover archivos sensibles a un servicio en la nube.

Límites que conviene comprobar

• La ejecución local ata el agente a una máquina: si ese equipo está apagado, suspendido o sin conexión, el agente deja de trabajar, así que los encargos largos sin supervisión necesitan un ordenador siempre encendido.
• Los datos no tienen que llegar a la nube del proveedor, pero el texto enviado a una API de modelo externa sí sale del equipo y va a ese proveedor; con material confidencial hay que elegir el origen del modelo en consecuencia.
• La integración de mensajería se documenta sobre todo en torno a Feishu. El editor no aclara si admite WeCom, DingTalk o Slack, por lo que los equipos multiplataforma deberían confirmar antes el punto de entrada.
• La automatización del navegador puede romperse con captchas, inicios de sesión con doble factor, reglas anti-bot o un rediseño del sitio, así que los flujos críticos deberían conservar una revisión humana.
• No se publican la versión mínima del sistema, el consumo de memoria y disco, el límite de tiempo por tarea ni la concurrencia, y tampoco existe un compromiso de nivel de servicio declarado; conviene probar con carga propia antes de usarlo en producción.
• Las entradas de memoria se guardan solo tras la aprobación, pero un hábito de aprobar sin revisar puede conservar preferencias equivocadas, así que merece la pena revisarlas de vez en cuando.

Preguntas frecuentes

¿Qué relación tiene AutoClaw con OpenClaw?

AutoClaw es una distribución local del marco de agentes OpenClaw creada por Zhipu AI. Su aportación es reducir la instalación y la configuración a un clic y añadir un front-end de mensajería, una biblioteca de habilidades y control del navegador; OpenClaw sigue siendo el marco de código abierto que hay debajo.

¿Es obligatorio usar el modelo de Zhipu?

No. Además del Pony-Alpha-2 integrado, AutoClaw acepta claves de API de DeepSeek, Kimi, MiniMax y GLM, y cada usuario paga directamente a esos proveedores lo que consume.

¿Salen mis datos del equipo?

La ejecución ocurre en local y los archivos de trabajo no necesitan subirse. Cualquier instrucción enviada a una API de modelo externa la procesa ese proveedor, así que los flujos sensibles deben contemplar ese recorrido.

¿Qué sistemas operativos soporta?

Se ofrecen versiones para macOS y Windows. El editor no menciona ninguna versión para Linux.