Guia de Configuracion de OpenFang: GLM-5, MiniMax M2.5, Hands y Discord en tu VPS

He estado ejecutando OpenFang durante unas dos semanas ahora, junto con mi configuracion de OpenClaw y mi instancia de nanobot. OpenFang es diferente de todo lo demas que he probado. Se llama a si mismo un “Sistema Operativo de Agentes”, y despues de usarlo creo que esa etiqueta encaja. Trae agentes autonomos llamados Hands que se ejecutan en horarios sin que tengas que preguntarles, respaldados por 16 capas de seguridad y 40 adaptadores de canales de chat, todo en un unico binario Rust.

Esta guia te lleva a traves de como poner OpenFang en funcionamiento en un VPS con GLM-5 y MiniMax M2.5 como tus proveedores LLM, Discord como canal de chat, y el Hand Researcher activado.

Si quieres comparar OpenFang contra otros bots autoalojados, nuestro resumen de alternativas a OpenClaw cubre NanoClaw, nanobot, PicoClaw, ZeroClaw, NullClaw y ahora OpenFang. Para lo basico de MCP, revisa la introduccion a MCP para principiantes.

Que es realmente OpenFang

OpenFang es un proyecto de codigo abierto de RightNow AI, construido completamente en Rust. Esta estructurado como un workspace de 14 crates con un total de aproximadamente 137,000 lineas de codigo con 1,767+ pruebas y cero advertencias de clippy. Todo compila en un unico binario de ~32MB.

La arquitectura se ve asi:

Tu (Discord / Telegram / Slack / WhatsApp / 36 mas)
    ↓
OpenFang Daemon (ejecutandose en tu VPS)
    ↓
┌─────────────────────────────────┐
│  Kernel: orquestacion, RBAC,   │
│  programacion, seguimiento de  │
│  presupuesto                   │
├─────────────────────────────────┤
│  Runtime: loop de agente, 53   │
│  herramientas, sandbox WASM,   │
│  MCP, A2A                      │
├─────────────────────────────────┤
│  Proveedor LLM (27 soportados) │
│  MiniMax, Zhipu, Anthropic, etc│
└─────────────────────────────────┘
    ↓
Hands (agentes autonomos en horarios)

Los mensajes llegan desde tu app de chat y se enrutan hacia cualquier LLM que hayas configurado. Los agentes pueden usar 53 herramientas integradas, conectarse a servidores MCP y ejecutarse dentro de un sandbox WASM. La parte a la que siempre vuelvo es Hands. Estos son agentes autonomos que se activan en un horario, hacen su trabajo y reportan a tu dashboard sin que nunca envies un mensaje.

Por que GLM-5 y MiniMax M2.5

Ambos modelos funcionan bien con el sistema de proveedores de OpenFang y mantienen los costos bajos para configuraciones de agentes siempre activos.

GLM-5

GLM-5 de Zhipu AI es un modelo MoE de 744B con aproximadamente 40-44B parametros activos. Ocupa el primer lugar entre modelos de codigo abierto en BrowseComp, que mide tareas de busqueda e investigacion web — una buena combinacion para el Hand Researcher de OpenFang.

La ventana de contexto de 200K maneja tareas de investigacion largas sin encontrarse con limites.

MiniMax M2.5

MiniMax M2.5 es un modelo MoE de 230B con solo 10B parametros activos por pasada. Es mas rapido y economico que GLM-5, y la ventana de contexto de 1M tokens es dificil de ignorar:

MiniMax M2.5 obtiene 80.2% en SWE-Bench Verified, lo que lo pone junto a Claude Opus 4.6 a una fraccion del precio. El contexto de 1M es excesivo para chat pero util cuando los Hands estan procesando grandes cantidades de datos de investigacion.

Ambos modelos estan disponibles a traves de sus APIs directas y a traves de OpenRouter.

Instalacion

Tres caminos para poner OpenFang en funcionamiento.

curl -fsSL https://openfang.sh/install | sh

# Instala Rust si no lo tienes
curl --proto '=https' --tlsv1.2 -sSf https://sh.rustup.rs | sh
source $HOME/.cargo/env

# Clona y compila
git clone https://github.com/RightNow-AI/openfang.git
cd openfang
cargo build --workspace --release

# El binario esta en target/release/openfang
sudo cp target/release/openfang /usr/local/bin/

irm https://openfang.sh/install.ps1 | iex

Despues de instalar, inicializa el workspace y configuracion:

openfang init

Esto crea el directorio ~/.openfang/ con un config.toml predeterminado, configura el workspace local y te guia para elegir un proveedor LLM.

Verifica que funciona:

openfang status

Configurar GLM-5 (Zhipu)

OpenFang usa un archivo config.toml en ~/.openfang/config.toml. En la practica, la configuracion mas limpia es definir el modelo seleccionado en [default_model], luego mantener las credenciales y endpoints API especificos del proveedor en el bloque [providers.<nombre>] correspondiente.

Obtener una clave API

1. Ve a z.ai
2. Registrate y crea una clave API

Agregar a la configuracion

[default_model]
provider = "openai"
model = "glm-5"
api_key = "tu-clave-api-zhipu"
base_url = "https://api.z.ai/api/coding/paas/v4"

Zhipu se configura a traves del proveedor openai de OpenFang porque el endpoint GLM es compatible con OpenAI. La documentacion pone provider, model, api_key y cualquier base_url personalizado en el mismo bloque [default_model].

Probarlo

openfang chat
> ¿Cuanto es 42 * 17?

Si obtienes una respuesta, GLM-5 esta configurado correctamente. Escribe exit para salir del chat.

Configurar MiniMax M2.5

Obtener una clave API

1. Ve a platform.minimax.io (global) o minimaxi.com (China continental)
2. Crea una cuenta y genera una clave API
3. Anota en que plataforma estas ya que la URL base de la API difiere

Agregar a la configuracion

Para la plataforma global, usa el estilo de configuracion especifico del proveedor:

[default_model]
provider = "minimax"
model = "MiniMax-M2.5"

[memory]
decay_rate = 0.05

[providers.minimax]
api_key_env = "MINIMAX_API_KEY"
api_base = "https://api.minimax.io/v1"

[agents.defaults]
model = "MiniMax-M2.5"

Para la plataforma de China continental, agrega la sobreescritura de la base API:

[default_model]
provider = "minimax"
model = "MiniMax-M2.5"

[memory]
decay_rate = 0.05

[providers.minimax]
api_key_env = "MINIMAX_API_KEY"
api_base = "https://api.minimaxi.com/v1"

[agents.defaults]
model = "MiniMax-M2.5"

Esto mantiene la declaracion del proveedor explicita: default_model selecciona MiniMax, [providers.minimax] contiene la configuracion de la API, y [agents.defaults] mantiene el modelo de agente predeterminado alineado con el proveedor.

Configurar ambos proveedores

Si quieres ambos proveedores disponibles en la misma configuracion, mantén cada uno en su propio bloque de proveedor y apunta tu modelo predeterminado al que quieres usar primero:

[default_model]
provider = "zhipu"
model = "glm-5"

[providers.zhipu]
api_key = "tu-clave-zhipu"
api_base = "https://api.z.ai/api/coding/paas/v4"

[providers.minimax]
api_key_env = "MINIMAX_API_KEY"
api_base = "https://api.minimax.io/v1"

[agents.defaults]
model = "glm-5"

Para cambiar a MiniMax, cambia default_model.provider a "minimax" y configura agents.defaults.model a "MiniMax-M2.5".

Configuracion de Discord

Discord es directo con OpenFang ya que es uno de los 40 adaptadores de canal soportados.

Crear un bot de Discord

1. Ve a discord.com/developers/applications
2. Haz clic en New Application, dale un nombre
3. Ve a Bot en la barra lateral izquierda, haz clic en Add Bot
4. Copia el token del bot

Habilitar intents

Todavia en la pagina de configuracion del Bot:

1. Desplazate hacia abajo hasta Privileged Gateway Intents
2. Habilita MESSAGE CONTENT INTENT (requerido para que el bot lea mensajes)
3. Opcionalmente habilita SERVER MEMBERS INTENT si planeas usar listas de permitidos

Obtener tu ID de usuario

1. Abre Configuracion de Discord → Advanced → habilita Developer Mode
2. Haz clic derecho en tu avatar en cualquier lugar de Discord
3. Haz clic en Copy User ID

Configurar OpenFang

Luego usa el formato de canal de la documentacion:

[channels.discord]
enabled = true
token = "TU_TOKEN_DEL_BOT_DISCORD"
allowed_users = ["TU_ID_DE_USUARIO"]

allowed_users es la clave de lista de permitidos actual en la documentacion. Dejala vacia para permitir que cualquiera en el servidor use el bot, o agrega IDs de usuario especificos si quieres un bot privado.

Invitar el bot a tu servidor

1. En el portal de desarrolladores de Discord, ve a OAuth2 → URL Generator
2. En Scopes, marca bot
3. En Bot Permissions, marca Send Messages y Read Message History
4. Copia la URL generada y abrela en tu navegador
5. Selecciona el servidor al que quieres agregar el bot

Iniciar el daemon

openfang start

Envia un mensaje en Discord. El bot deberia responder. El dashboard escucha en 127.0.0.1:5555 por defecto a menos que cambies dashboard_listen.

Ejemplo de configuracion completa

Asi se ve un ~/.openfang/config.toml completo con MiniMax M2.5, Discord y el servidor API expuesto externamente con una contrasena API mientras se mantienen los puertos predeterminados:

api_listen = "0.0.0.0:50051"
api_key = "cambia-esta-contrasena-larga-y-aleatoria"

[default_model]
provider = "minimax"
model = "MiniMax-M2.5"
max_tokens = 8192
temperature = 0.7

[memory]
decay_rate = 0.05

[providers.minimax]
api_key_env = "MINIMAX_API_KEY"
api_base = "https://api.minimaxi.com/v1"

[agents.defaults]
model = "MiniMax-M2.5"

[channels.discord]
enabled = true
token = "TU_TOKEN_DEL_BOT_DISCORD"
allowed_users = ["TU_ID_DE_USUARIO"]

Configuracion explicada

Ejemplo de API externa MiniMax M2.5

Si quieres ejecutar OpenFang solo con MiniMax M2.5 y permitir que clientes externos se conecten a traves de la API, este es el patron de configuracion mas limpio manteniendo los puertos predeterminados:

[default_model]
provider = "minimax"
model = "MiniMax-M2.5"

[memory]
decay_rate = 0.05

[providers.minimax]
api_key_env = "MINIMAX_API_KEY"
api_base = "https://api.minimaxi.com/v1"

[agents.defaults]
model = "MiniMax-M2.5"
temperature = 0.7
max_tokens = 8192

api_listen = "0.0.0.0:50051"
api_key = "reemplaza-con-una-contrasena-api-larga-y-aleatoria"

[channels.discord]
enabled = true
token = "TU_TOKEN_DEL_BOT_DISCORD"
allowed_users = ["TU_ID_DE_USUARIO"]

Esto mantiene el puerto API predeterminado (50051) y solo cambia la direccion de vinculacion para que sea accesible remotamente. Exporta MINIMAX_API_KEY en el shell o tu gestor de servicios antes de iniciar OpenFang, y mantén el puerto API bloqueado en tu firewall a IPs de confianza.

El sistema de proveedores

OpenFang viene con 3 controladores LLM nativos (Anthropic, Gemini, compatible con OpenAI) que enrutan a 27 proveedores. Cuando configuras un nombre de modelo, OpenFang:

1. Coincide palabras clave en el nombre contra su registro de proveedores
2. Verifica que el proveedor coincidente tiene una clave API
3. Enruta a traves del controlador nativo correcto
4. Maneja autenticacion, limitacion de velocidad y seguimiento de costos

Aqui estan los proveedores soportados:

OpenFang enruta solicitudes basandose en puntuacion de complejidad de tarea, recurre a otro proveedor si uno falla, y rastrea costos por modelo en el dashboard.

El sistema Hands

Hands son la razon por la que sigo ejecutando OpenFang junto con mis otros bots. Son agentes autonomos preconstruidos que se ejecutan en horarios sin que tu envies mensajes. Activas un Hand, va a trabajar, y revisas su progreso en el dashboard.

Cada Hand viene incluido en el binario con:

• HAND.toml — manifiesto que declara herramientas y configuraciones requeridas
• Prompt de sistema — un manual operativo multifase (500+ palabras, no una sola linea)
• SKILL.md — experiencia de dominio cargada en contexto en tiempo de ejecucion
• Guardrails — puertas de aprobacion para acciones sensibles

Los 7 Hands incluidos

Activar un Hand

# Activar el Hand Researcher
openfang hand activate researcher

# Revisar progreso
openfang hand status researcher

# Listar todos los Hands disponibles
openfang hand list

# Pausar sin perder estado
openfang hand pause researcher

Empezaria con el Hand Researcher. Se ejecuta por si solo, referencruza fuentes, evalua credibilidad usando criterios CRAAP y genera informes citados. Combinalo con GLM-5 (que ocupa el #1 en BrowseComp) y la salida de investigacion es genuinamente util sin ninguna supervision.

Modelo de seguridad

OpenFang tiene 16 sistemas de seguridad, cada uno ejecutandose independientemente. Aqui estan los que importan para una configuracion personal:

Sandbox WASM

Cada herramienta se ejecuta dentro de un sandbox WebAssembly con medicion de combustible. Si una herramienta intenta ejecutarse para siempre, el watchdog la mata.

Esto esta habilitado por defecto. A diferencia de las verificaciones de permisos a nivel de aplicacion, la herramienta fisicamente no puede escapar del sandbox.

Rastro de auditoria

Cada accion se agrega a una cadena hash Merkle. Manipula una entrada y toda la cadena se rompe.

Listas de permitidos de canal

Mismo concepto que nanobot — restringe quien puede interactuar con el bot:

[channels.discord]
allowed_users = ["123456789"]

Zeroizacion de secretos

Las claves API se borran automaticamente de la memoria en el momento en que ya no se necesitan. OpenFang usa Zeroizing<String> en todo el codigo, por lo que los secretos no permanecen en RAM.

Soporte MCP y A2A

OpenFang soporta tanto Model Context Protocol para servidores de herramientas como comunicacion Agent-to-Agent (A2A). Viene con 25 plantillas MCP y una bodega de credenciales AES-256-GCM para almacenar credenciales de servidores MCP.

Agregar un servidor MCP

[[mcp_servers]]
name = "filesystem"
command = "npx"
args = ["-y", "@modelcontextprotocol/server-filesystem", "/home/usuario/documentos"]

[[mcp_servers]]
name = "remote_server"
url = "https://mcp.ejemplo.com/sse"

Las herramientas MCP se descubren automaticamente cuando OpenFang inicia. El LLM puede usarlas junto con las 53 herramientas integradas.

Despliegue Docker

OpenFang publica imagenes de contenedor:

# Descargar la imagen
docker pull ghcr.io/rightnow-ai/openfang:latest

# Inicializar configuracion (primera vez)
docker run -v ~/.openfang:/root/.openfang --rm \
  ghcr.io/rightnow-ai/openfang:latest init

# Editar configuracion en el host
nano ~/.openfang/config.toml

# Ejecutar el daemon
docker run -d \
  -v ~/.openfang:/root/.openfang \
  -p 50051:50051 \
  -p 5555:5555 \
  --name openfang \
  ghcr.io/rightnow-ai/openfang:latest start

El dashboard es accesible en http://ip-de-tu-servidor:5555 despues de iniciar si vinculas dashboard_listen externamente. Si mantienes el predeterminado mas seguro de 127.0.0.1:5555, accede a el a traves de tunel SSH o un proxy inverso en su lugar.

Hosting VPS

OpenFang usa aproximadamente 40MB de RAM en reposo, mucho menos que los 394MB de OpenClaw. Lo estoy ejecutando en un Hetzner CX22 (2 vCPU, 4GB RAM) a €4.35/mes junto con nanobot sin problemas.

Configuracion rapida en un VPS Ubuntu 24.04 fresco:

ssh root@IP_DE_TU_SERVIDOR

# Actualizar sistema
apt update && apt upgrade -y

# Instalar OpenFang
curl -fsSL https://openfang.sh/install | sh

# Inicializar
openfang init

# Editar configuracion
nano ~/.openfang/config.toml

# Iniciar daemon en segundo plano
openfang start

Para una configuracion de daemon apropiada, crea un servicio systemd:

[Unit]
Description=OpenFang Agent OS
After=network.target

[Service]
Type=simple
ExecStart=/usr/local/bin/openfang start
Restart=always
RestartSec=10

[Install]
WantedBy=multi-user.target

Guarda eso en /etc/systemd/system/openfang.service, luego:

systemctl daemon-reload
systemctl enable openfang
systemctl start openfang

El dashboard estara activo en http://ip-de-tu-servidor:5555 si vinculas dashboard_listen externamente. Puedes agregar mas adaptadores de canal despues sin reiniciar.

OpenFang vs nanobot vs OpenClaw

Ejecuto los tres, asi que aqui hay una comparacion directa:

OpenClaw tiene la comunidad mas grande y mas documentacion. nanobot instala mas rapido y cubre mas plataformas de chat por linea de codigo. OpenFang tiene el sistema Hands, mas capas de seguridad que cualquier otra cosa aqui, y 40 adaptadores de canal. La contrapartida es que OpenFang es mas nuevo (v0.1.0) y probablemente encontrares bordes asperos antes de v1.0. Fija a un commit especifico si lo estas usando para algo critico.

Referencia CLI

Migrar desde OpenClaw

Si ya estas ejecutando OpenClaw, OpenFang tiene una herramienta de migracion integrada:

# Ejecucion de prueba para ver que cambiaria
openfang migrate --from openclaw --dry-run

# Ejecutar la migracion
openfang migrate --from openclaw

# O especificar una ruta personalizada
openfang migrate --from openclaw --path ~/.openclaw

Esto importa tus agentes, historial de conversaciones, skills y configuracion. OpenFang lee SKILL.md nativamente y es compatible con skills de ClawHub.

Para otras opciones de bots autoalojados, revisa nuestro resumen de alternativas a OpenClaw. Si quieres una opcion mas ligera, la guia de configuracion de nanobot cubre una alternativa Python de 3,700 lineas. Para agentes aislados en contenedores, ve la guia de despliegue de NanoClaw. Para el binario mas pequeno posible, la guia de despliegue de NullClaw cubre una opcion Zig de 678KB. Y para un asistente auto-mejorante con modo de voz y migracion de OpenClaw, ve la guia de configuracion de Hermes Agent.