--- title: "Feynman: agente de investigación IA open source" canonical: https://wavect.io/es/blog/feynman-open-source-ai-research-agent/ language: es description: "Evalúa Feynman antes de adoptarlo: investigación IA open source, modelos locales, citas, replicación con GPU, costes, riesgos y piloto." image: "https://wavect.io/img/blog/headers/header_feynman-open-source-ai-research-agent.png" --- [**Volver**](/es/blog/overview/) [![Kevin Riedl](/img/team/kevin.webp)](/es/team/kevin-riedl/) [Kevin Riedl](/es/team/kevin-riedl/) https://linkedin.com/in/wsdt 12 min de lectura · 3 sept 2026 Última revisión 3 de septiembre de 2026 [**Siguiente**](/es/blog/why-wavect-joined-goodfirms/) # Feynman: análisis del agente de investigación IA open source Resumen Feynman es un sistema de investigación con IA desde terminal y licencia MIT. Combina búsqueda de papers y web, cuatro agentes especializados, verificación de fuentes, auditorías entre paper y código, planes de replicación, ejecución opcional con compute y seguimiento recurrente. Su alcance es poco habitual para una herramienta open source tan joven, pero no convierte la investigación en algo gratuito, privado o correcto por defecto. Un despliegue totalmente local necesita un modelo local y rutas de retrieval locales o sin clave elegidas con cuidado. Los modelos, buscadores y proveedores de GPU alojados generan costes y trabajo de gobierno de datos. El verificador comprueba si una fuente respalda una afirmación y si su URL funciona, pero la revisión humana decide si la evidencia basta. Pilota Feynman con una pregunta acotada y repetible. Mide precisión de fuentes, citas respaldadas, correcciones del revisor, tiempo hasta un informe aceptado, coste de modelo y compute, y reproducibilidad. **Feynman es uno de los intentos open source más completos de convertir deep research en un workflow auditable desde terminal.** Escribe un tema y el sistema puede buscar papers, webs y repositorios, repartir tareas entre cuatro agentes, redactar un informe con fuentes, comprobar citas, comparar un paper con su código, planificar una replicación y vigilar novedades. Nuestro veredicto tras revisar el código y la documentación públicos el 3 de septiembre de 2026: **Feynman merece un piloto en equipos de investigación técnica, pero “totalmente local” describe una configuración posible, no todos los workflows.** Las llamadas al modelo, los buscadores y las GPU en cloud pueden sacar datos de tu entorno y generar costes. La verificación de citas reduce un fallo peligroso, pero no sustituye a quien debe juzgar si la evidencia es suficiente. Esta página responde a la intención específica “análisis de Feynman” y “agente de investigación IA open source”. Nuestro [análisis de LangChain Deep Agents](/es/blog/langchain-deep-agents-review/) cubre un harness general, [Agent Reach](/es/blog/agent-reach-open-source-review/) cubre acceso económico a fuentes y [LLM-as-a-Verifier](/es/blog/llm-as-a-verifier/) cubre scoring de trayectorias. Separar estos trabajos evita canibalizar guías de arquitectura más amplias. ## ¿Qué es Feynman? **Feynman es una CLI research-first con licencia MIT construida sobre la runtime Pi y alphaXiv.** El [README oficial](https://github.com/companion-inc/feynman/blob/main/README.md) documenta deep research, revisión bibliográfica, ranking de papers, redacción, peer review, auditoría de código, replicación, recetas ML y watches recurrentes. Los resultados se escriben en carpetas locales y los workflows intensivos en fuentes generan artefactos de procedencia. | Agente | Trabajo principal | Decisión que sigue siendo humana | | --- | --- | --- | | Researcher | Encontrar papers, webs, repositorios, datasets y prior art | Si el espacio de búsqueda y los criterios de exclusión son adecuados | | Reviewer | Criticar borradores y graduar la severidad de cada problema | Si el estándar corresponde al campo y a la decisión | | Writer | Convertir notas y evidencias en informes estructurados | Si el framing, la incertidumbre y la recomendación son defendibles | | Verifier | Comprobar URLs, soporte de citas y claims entre paper y código | Si la fuente y la evidencia tienen calidad suficiente | Importa más el proceso que el número de agentes. Feynman guarda planes, investigación intermedia, borradores, notas de verificación y resultados finales como archivos. Esto crea puntos de entrega revisables y permite recuperar runs largos. También obliga a aplicar controles de acceso, retención y backup a las notas sensibles. ## ¿Cómo funciona Feynman deep research? El proyecto no lanza un swarm sin más. Su [workflow de deep research](https://feynman.is/docs/workflows/deep-research) escribe primero un plan y espera aprobación. Las preguntas estrechas permanecen en el agente principal; los estudios amplios pueden delegar búsquedas paralelas. Después extrae hallazgos, separa consenso y desacuerdo, y verifica cada claim contra sus fuentes. 1. **Planificar la pregunta.** Subpreguntas, estrategia de fuentes, tareas y verificación quedan visibles antes del gasto. 2. **Elegir la escala.** Mantén una pregunta estrecha en un agente o paraleliza un mapa de evidencia amplio. 3. **Extraer, no solo resumir.** Captura métodos, resultados, limitaciones y ubicación de los claims. 4. **Sintetizar conflictos.** No fuerces una respuesta limpia cuando la literatura discrepa. 5. **Verificar antes de entregar.** Reabre fuentes y elimina o marca afirmaciones sin respaldo. La aprobación del plan es una buena decisión de producto. Hace visible el alcance antes de la fase cara. La calidad sigue dependiendo del prompt, el modelo, la cobertura del retrieval y la persona que aprueba. ## ¿Qué puede hacer además de una revisión bibliográfica? | Workflow | Decisión que ayuda a tomar | Límite | | --- | --- | --- | | `deepresearch` | Crear un informe desde papers, web y código | No garantiza cobertura completa | | `lit` y `rank` | Mapear un campo y priorizar lecturas | El ranking incorpora juicios | | `audit` | Comparar claims de un paper con código público | No ve implementación privada | | `replicate` | Convertir un claim en pasos, supuestos y criterios de éxito | Ejecutar exige elegir entorno | | `watch` | Seguir papers, releases y evidencia nueva | Solo es recurrente con scheduler disponible | | `recipe` y `autoresearch` | Traducir investigación a experimentos ML | Compute, derechos y evaluación siguen siendo tuyos | ## ¿Feynman funciona realmente en local? **Puede usar inferencia local, pero la investigación habitual sigue consultando fuentes externas.** La [documentación del instalador standalone](https://feynman.is/docs/getting-started/installation) describe un bundle con Node.js fijado y verificación SHA-256 antes de reemplazar una instalación. También existe npm. Un equipo sensible a supply chain debe inspeccionar el script, fijar una release y validar el checksum publicado. La [guía de configuración](https://feynman.is/docs/getting-started/setup) admite proveedores alojados, Amazon Bedrock, LM Studio, LiteLLM, Ollama y vLLM. Un modelo local puede mantener prompts e inferencia en tu infraestructura. Búsqueda de papers, retrieval web, alphaXiv, parsers y compute cloud siguen cruzando la red salvo que los reemplaces o desactives. - ¿Adónde va el prompt de investigación? - ¿Qué proveedor recibe URLs, documentos, repositorios o consultas? - ¿Qué contenido se guarda en caché y durante cuánto tiempo? - ¿Dónde quedan credenciales y tokens OAuth? - ¿Sale telemetría del dispositivo y la permite tu política? “Se ejecuta desde el terminal” habla de interfaz. “Todos los datos permanecen en local” habla de arquitectura. Verifica la segunda afirmación con tu configuración exacta. ## ¿Elimina las citas inventadas? **No, pero crea una frontera mejor que un texto con apariencia académica y sin comprobación.** El Verifier debe abrir cada URL, localizar el pasaje, clasificar el claim como respaldado, exagerado, contradicho o sin soporte, y quitar lo que no puede justificar. Tres límites permanecen: una URL viva puede contener mala evidencia, el modelo puede omitir un defecto metodológico y la búsqueda puede perder el paper decisivo. Trata el informe como un borrador auditable. Nuestra [checklist de evaluación y sandbox para agentes IA](/es/blog/ai-agent-eval-sandbox-security-checklist/) añade pruebas deterministas, casos adversariales y aprobación humana. ## ¿Puede auditar y replicar papers? El [workflow de auditoría de código](https://feynman.is/docs/workflows/audit) extrae claims concretos del paper y busca la configuración, entrenamiento y evaluación correspondientes en su repositorio público. Documenta diferencias, implementaciones ausentes y riesgos de reproducibilidad con rutas de archivo. No puede ver código privado, datos ausentes ni decisiones del operador que no se documentaron. El [workflow de replicación](https://feynman.is/docs/workflows/replication) prepara requisitos, receta experimental, detalles no especificados, riesgos y criterios de éxito. Solo ejecuta después de elegir local, aislado, Docker, Modal, RunPod o solo plan. Ese gate importa porque una replicación puede descargar código no confiable, procesar datos con licencia y consumir presupuesto GPU. Usa la palabra “replicado” únicamente cuando hayan pasado los checks con scripts y resultados raw conservados. Un plan plausible no es una reproducción. ## ¿Los watches son automáticos? Solo cuando existe capacidad real de scheduling. La [documentación de watch](https://feynman.is/docs/workflows/watch) dice que Feynman siempre crea una baseline y un plan de seguimiento, pero solo programa recurrencia si ve la herramienta de scheduling. En caso contrario registra la carencia y entrega un prompt de refresco. ## ¿Cuánto cuesta Feynman? El software tiene [licencia MIT](https://github.com/companion-inc/feynman/blob/main/LICENSE), así que no cobra licencia. El coste de un informe aceptado incluye al menos cinco partidas: - **Inferencia:** agente principal, investigadores, reviewer, writer y verifier consumen tokens o compute local. - **Búsqueda y extracción:** proveedores alojados pueden cobrar por consulta, documento o grounding. - **Compute experimental:** GPU local, minutos cloud, almacenamiento y transferencia. - **Revisión humana:** una persona experta resuelve evidencia incierta y recomendaciones arriesgadas. - **Operación:** versiones, credenciales, retención, monitorización, fallos y cambios de proveedor. Mide coste por informe aceptado o experimento verificado. Un documento barato que exige dos horas senior de reparación es caro. ## ¿Para qué equipos encaja? | Equipo | Encaje | Motivo | | --- | --- | --- | | ML o I+D que revisa papers y código | Piloto fuerte | Audit, ranking, replicación y procedencia encajan | | Due diligence técnica | Piloto fuerte | Informes con fuentes y checks de código crean evidencia revisable | | Producto en un campo técnico rápido | Buen encaje con operación | Watches y workflows reducen trabajo repetido | | Estudiante con un resumen puntual | Puede sobrar | Terminal, proveedores y revisión añaden fricción | | Equipo regulado que espera aprobación autónoma | Mal encaje sin controles | Gobierno y validación siguen siendo humanos | ## Un piloto de Feynman de dos semanas 1. **Elige una pregunta repetible.** Usa un tema con un informe humano fiable y fuentes obligatorias conocidas. 2. **Congela la rúbrica.** Mide recall, fuentes irrelevantes, soporte de claims, correcciones y tiempo de aprobación. 3. **Fija release y modelo.** Registra versión, modelo, ruta de búsqueda, prompts y fecha. 4. **Empieza sin ejecutar experimentos.** Valida investigación y citas antes de conceder acceso a código o GPU. 5. **Incluye un caso adversarial.** Usa papers contradictorios, un enlace muerto, código incompleto y un claim atractivo sin fuente. 6. **Mapea el flujo de datos.** Documenta proveedores, credenciales, cachés, retención y requests. 7. **Prueba una auditoría.** Un ingeniero valida una muestra directamente en el repositorio. 8. **Prueba un plan de replicación.** Una persona experta revisa supuestos antes de gastar compute. 9. **Cuenta el coste total.** Tokens, búsqueda, GPU, fallos y minutos de revisión. 10. **Define el gate de adopción.** Amplía solo si mejora tiempo o cobertura sin reducir soporte y control. ## Preguntas frecuentes ### ¿Qué es Feynman AI? Feynman es un sistema open source de investigación con IA desde terminal. Busca papers, fuentes web y repositorios, coordina agentes Researcher, Reviewer, Writer y Verifier, y guarda artefactos con fuentes en carpetas locales. ### ¿Feynman es open source y gratis? El código tiene licencia MIT y no cobra licencia. APIs de modelos, búsqueda alojada, parsers, GPU cloud, almacenamiento, operación y revisión humana pueden generar costes relevantes. ### ¿Puede funcionar completamente en local? Admite LM Studio, Ollama y vLLM. Un flujo realmente local también exige evitar o autoalojar búsqueda, parsing y compute externos. Ejecutar desde terminal no garantiza que los datos permanezcan en local. ### ¿Feynman verifica todas las citas? El Verifier está diseñado para abrir URLs y comprobar si respaldan sus claims. Reduce errores de cita, pero no prueba la calidad de la fuente, la cobertura completa ni la validez experta. ### ¿Puede ejecutar experimentos en GPU? Puede planificar una replicación y ayudar a ejecutarla tras elegir explícitamente un entorno local, aislado, Docker o cloud. Derechos, seguridad, presupuesto y aceptación científica siguen siendo responsabilidad del usuario. ### ¿Está listo para investigación empresarial? Está listo para un piloto acotado y medible. El uso amplio necesita versiones fijadas, revisión de proveedores, controles de credenciales, clasificación de datos, evaluaciones deterministas, límites de coste, logs y aprobación humana. ## Límite de esta investigación *Estado comprobado el 3 de septiembre de 2026 contra el repositorio, licencia y documentación oficial. Este es un análisis independiente para compradores, no un post patrocinado, una auditoría de seguridad ni un benchmark controlado. No instalamos Feynman, no enviamos documentos privados, no conectamos proveedores de pago ni ejecutamos una replicación GPU. Fija una release y vuelve a revisar la documentación antes de adoptarlo.* ## Reflexiones finales La mejor idea de Feynman no es que cuatro agentes escriban un informe. Es que la investigación deje una cadena visible desde el plan y las fuentes hasta la síntesis, la verificación y los artefactos experimentales. Un equipo técnico puede revisar esa cadena en lugar de decidir si la prosa parece convincente. La decisión de compra es condicional. Pilota Feynman cuando la investigación técnica repetida sea cara y la procedencia importe. Mantén a personas responsables del alcance, la evidencia y la aprobación. Llama al sistema local solo después de mapear todo el flujo de datos. Evalúalo por resultados aceptados, soporte de citas, reproducibilidad y coste total de revisión. ## También te puede gustar.. [**Agent Reach: costes, seguridad y límites reales** Separa la capa de acceso a fuentes del workflow que interpreta la evidencia.](/es/blog/agent-reach-open-source-review/) [**Análisis de LangChain Deep Agents** Compara un sistema específico de investigación con un harness general para producción.](/es/blog/langchain-deep-agents-review/) Ingeniería de agentes ## Continúa por este clúster Agentes de código, MCP, contexto, evaluación y controles para automatización fiable. [Empieza por el artículo fundamental**Ingeniería de grafos para agentes de IA: ¿Cuándo compensa un knowledge graph?**](/es/blog/graph-engineering-ai-agents/) - [Obscura Browser: análisis, límites y uso en producción](/es/blog/obscura-rust-browser-ai-agents/) - [Sistema de diseño para Claude Code: 4 piezas para una UI de marca](/es/blog/claude-code-design-system-files/) - [ChatGPT inicia sesión sin ver tu contraseña](/es/blog/chatgpt-cloud-browser-secure-login/) - [Harness de agentes de IA: la capa de fiabilidad alrededor del LLM](/es/blog/agent-harness-engineering/) - [Por qué las ediciones de agentes necesitan identidad semántica: SEMAPRAX en Rust](/es/blog/semantic-identity-rust-agent-edits/) [**Volver**](/es/blog/overview/) [![Kevin Riedl](/img/team/kevin.webp)](/es/team/kevin-riedl/) [Kevin Riedl](/es/team/kevin-riedl/) https://linkedin.com/in/wsdt 12 min de lectura · 3 sept 2026 Última revisión 3 de septiembre de 2026 [**Siguiente**](/es/blog/why-wavect-joined-goodfirms/) ## Structured Data ```json { "@context": "https://schema.org", "@graph": [ { "@id": "https://wavect.io/#organization", "@type": [ "Organization", "ProfessionalService", "LocalBusiness" ], "employee": [ { "@id": "https://wavect.io/team/kevin-riedl/#person", "@type": "Person", "jobTitle": "Managing Director", "name": "Kevin Riedl", "url": "https://wavect.io/team/kevin-riedl/", "worksFor": { "@id": "https://wavect.io/#organization", "@type": [ "Organization", "ProfessionalService", "LocalBusiness" ] } }, { "@id": "https://wavect.io/team/christof-jori/#person", "@type": "Person", "jobTitle": "Managing Director", "name": "Christof Jori", "url": "https://wavect.io/team/christof-jori/", "worksFor": { "@id": "https://wavect.io/#organization", "@type": [ "Organization", "ProfessionalService", "LocalBusiness" ] } } ], "founder": [ { "@id": "https://wavect.io/team/kevin-riedl/#person", "@type": "Person", "jobTitle": "Managing Director", "name": "Kevin Riedl", "url": "https://wavect.io/team/kevin-riedl/", "worksFor": { "@id": "https://wavect.io/#organization", "@type": [ "Organization", "ProfessionalService", "LocalBusiness" ] } }, { "@id": "https://wavect.io/team/christof-jori/#person", "@type": "Person", "jobTitle": "Managing Director", "name": "Christof Jori", "url": "https://wavect.io/team/christof-jori/", "worksFor": { "@id": "https://wavect.io/#organization", "@type": [ "Organization", "ProfessionalService", "LocalBusiness" ] } } ], "legalRepresentative": [ { "@id": "https://wavect.io/team/kevin-riedl/#person", "@type": "Person", "jobTitle": "Managing Director", "name": "Kevin Riedl", "url": "https://wavect.io/team/kevin-riedl/", "worksFor": { "@id": "https://wavect.io/#organization", "@type": [ "Organization", "ProfessionalService", "LocalBusiness" ] } }, { "@id": "https://wavect.io/team/christof-jori/#person", "@type": "Person", "jobTitle": "Managing Director", "name": "Christof Jori", "url": "https://wavect.io/team/christof-jori/", "worksFor": { "@id": "https://wavect.io/#organization", "@type": [ "Organization", "ProfessionalService", "LocalBusiness" ] } } ], "name": "Wavect GmbH", "subjectOf": { "@id": "https://wavect.io/verified-claims.json#dataset", "@type": "Dataset", "creator": { "@id": "https://wavect.io/#organization", "@type": [ "Organization", "ProfessionalService", "LocalBusiness" ] }, "description": "A machine-readable registry of quantitative and qualitative claims published by Wavect, with review dates, localized page appearances and public third-party citations where available.", "inLanguage": "en", "isAccessibleForFree": true, "license": "https://creativecommons.org/licenses/by/4.0/", "name": "Wavect verified publication claims", "url": "https://wavect.io/verified-claims.json" }, "url": "https://wavect.io/" }, { "@id": "https://wavect.io/team/kevin-riedl/#person", "@type": "Person", "jobTitle": "Managing Director", "name": "Kevin Riedl", "sameAs": [ "https://www.wikidata.org/wiki/Q139796365", "https://www.linkedin.com/in/wsdt", "https://github.com/wsdt" ], "url": "https://wavect.io/team/kevin-riedl/", "worksFor": { "@id": "https://wavect.io/#organization", "@type": [ "Organization", "ProfessionalService", "LocalBusiness" ] } }, { "@id": "https://wavect.io/team/christof-jori/#person", "@type": "Person", "jobTitle": "Managing Director", "name": "Christof Jori", "sameAs": [ "https://www.wikidata.org/wiki/Q139796367", "https://www.linkedin.com/in/jocr77/", "https://github.com/jo-chris" ], "url": "https://wavect.io/team/christof-jori/", "worksFor": { "@id": "https://wavect.io/#organization", "@type": [ "Organization", "ProfessionalService", "LocalBusiness" ] } }, { "@id": "https://wavect.io/#website", "@type": "WebSite", "inLanguage": [ "en", "de", "es", "zh" ], "name": "Wavect", "potentialAction": { "@type": "SearchAction", "query-input": "required name=search_term_string", "target": { "@type": "EntryPoint", "urlTemplate": "https://wavect.io/search/?q={search_term_string}" } }, "publisher": { "@id": "https://wavect.io/#organization", "@type": [ "Organization", "ProfessionalService", "LocalBusiness" ] }, "url": "https://wavect.io/" }, { "@id": "https://wavect.io/es/blog/feynman-open-source-ai-research-agent/#webpage", "@type": "WebPage", "dateModified": "2026-09-03", "inLanguage": "es", "isPartOf": { "@id": "https://wavect.io/#website", "@type": "WebSite" }, "lastReviewed": "2026-09-03", "url": "https://wavect.io/es/blog/feynman-open-source-ai-research-agent/" } ] } ``` ```json { "@context": "https://schema.org", "@type": "BlogPosting", "abstract": "Feynman es un sistema de investigación con IA desde terminal y licencia MIT. Combina búsqueda de papers y web, cuatro agentes especializados, verificación de fuentes, auditorías entre paper y código, planes de replicación, ejecución opcional con compute y seguimiento recurrente. Su alcance es poco habitual para una herramienta open source tan joven, pero no convierte la investigación en algo gratuito, privado o correcto por defecto. Un despliegue totalmente local necesita un modelo local y rutas de retrieval locales o sin clave elegidas con cuidado. Los modelos, buscadores y proveedores de GPU alojados generan costes y trabajo de gobierno de datos. El verificador comprueba si una fuente respalda una afirmación y si su URL funciona, pero la revisión humana decide si la evidencia basta. Pilota Feynman con una pregunta acotada y repetible. Mide precisión de fuentes, citas respaldadas, correcciones del revisor, tiempo hasta un informe aceptado, coste de modelo y compute, y reproducibilidad.", "articleBody": " Resumen del blog/IA y agentes/Ingeniería de agentes Feynman: análisis del agente de investigación IA open source Resumen Feynman es un sistema de investigación con IA desde terminal y licencia MIT. Combina búsqueda de papers y web, cuatro agentes especializados, verificación de fuentes, auditorías entre paper y código, planes de replicación, ejecución opcional con compute y seguimiento recurrente. Su alcance es poco habitual para una herramienta open source tan joven, pero no convierte la investigación en algo gratuito, privado o correcto por defecto. Un despliegue totalmente local necesita un modelo local y rutas de retrieval locales o sin clave elegidas con cuidado. Los modelos, buscadores y proveedores de GPU alojados generan costes y trabajo de gobierno de datos. El verificador comprueba si una fuente respalda una afirmación y si su URL funciona, pero la revisión humana decide si la evidencia basta. Pilota Feynman con una pregunta acotada y repetible. Mide precisión de fuentes, citas respaldadas, correcciones del revisor, tiempo hasta un informe aceptado, coste de modelo y compute, y reproducibilidad. Feynman es uno de los intentos open source más completos de convertir deep research en un workflow auditable desde terminal. Escribe un tema y el sistema puede buscar papers, webs y repositorios, repartir tareas entre cuatro agentes, redactar un informe con fuentes, comprobar citas, comparar un paper con su código, planificar una replicación y vigilar novedades. Nuestro veredicto tras revisar el código y la documentación públicos el 3 de septiembre de 2026: Feynman merece un piloto en equipos de investigación técnica, pero “totalmente local” describe una configuración posible, no todos los workflows. Las llamadas al modelo, los buscadores y las GPU en cloud pueden sacar datos de tu entorno y generar costes. La verificación de citas reduce un fallo peligroso, pero no sustituye a quien debe juzgar si la evidencia es suficiente. Esta página responde a la intención específica “análisis de Feynman” y “agente de investigación IA open source”. Nuestro análisis de LangChain Deep Agents cubre un harness general, Agent Reach cubre acceso económico a fuentes y LLM-as-a-Verifier cubre scoring de trayectorias. Separar estos trabajos evita canibalizar guías de arquitectura más amplias. ¿Qué es Feynman? Feynman es una CLI research-first con licencia MIT construida sobre la runtime Pi y alphaXiv. El README oficial documenta deep research, revisión bibliográfica, ranking de papers, redacción, peer review, auditoría de código, replicación, recetas ML y watches recurrentes. Los resultados se escriben en carpetas locales y los workflows intensivos en fuentes generan artefactos de procedencia. AgenteTrabajo principalDecisión que sigue siendo humana ResearcherEncontrar papers, webs, repositorios, datasets y prior artSi el espacio de búsqueda y los criterios de exclusión son adecuados ReviewerCriticar borradores y graduar la severidad de cada problemaSi el estándar corresponde al campo y a la decisión WriterConvertir notas y evidencias en informes estructuradosSi el framing, la incertidumbre y la recomendación son defendibles VerifierComprobar URLs, soporte de citas y claims entre paper y códigoSi la fuente y la evidencia tienen calidad suficiente Importa más el proceso que el número de agentes. Feynman guarda planes, investigación intermedia, borradores, notas de verificación y resultados finales como archivos. Esto crea puntos de entrega revisables y permite recuperar runs largos. También obliga a aplicar controles de acceso, retención y backup a las notas sensibles. ¿Cómo funciona Feynman deep research? El proyecto no lanza un swarm sin más. Su workflow de deep research escribe primero un plan y espera aprobación. Las preguntas estrechas permanecen en el agente principal; los estudios amplios pueden delegar búsquedas paralelas. Después extrae hallazgos, separa consenso y desacuerdo, y verifica cada claim contra sus fuentes. Planificar la pregunta. Subpreguntas, estrategia de fuentes, tareas y verificación quedan visibles antes del gasto. Elegir la escala. Mantén una pregunta estrecha en un agente o paraleliza un mapa de evidencia amplio. Extraer, no solo resumir. Captura métodos, resultados, limitaciones y ubicación de los claims. Sintetizar conflictos. No fuerces una respuesta limpia cuando la literatura discrepa. Verificar antes de entregar. Reabre fuentes y elimina o marca afirmaciones sin respaldo. La aprobación del plan es una buena decisión de producto. Hace visible el alcance antes de la fase cara. La calidad sigue dependiendo del prompt, el modelo, la cobertura del retrieval y la persona que aprueba. ¿Qué puede hacer además de una revisión bibliográfica? WorkflowDecisión que ayuda a tomarLímite deepresearchCrear un informe desde papers, web y códigoNo garantiza cobertura completa lit y rankMapear un campo y priorizar lecturasEl ranking incorpora juicios auditComparar claims de un paper con código públicoNo ve", "articleSection": "AI Agents", "author": { "@id": "https://wavect.io/team/kevin-riedl/#person", "@type": "Person", "name": "Kevin Riedl", "sameAs": [ "https://www.wikidata.org/wiki/Q139796365", "https://www.linkedin.com/in/wsdt", "https://github.com/wsdt" ], "url": "https://wavect.io/team/kevin-riedl/" }, "citation": [ { "@type": "WebPage", "name": "README oficial", "url": "https://github.com/companion-inc/feynman/blob/main/README.md" }, { "@type": "WebPage", "name": "workflow de deep research", "url": "https://feynman.is/docs/workflows/deep-research" }, { "@type": "WebPage", "name": "documentación del instalador standalone", "url": "https://feynman.is/docs/getting-started/installation" }, { "@type": "WebPage", "name": "guía de configuración", "url": "https://feynman.is/docs/getting-started/setup" }, { "@type": "WebPage", "name": "workflow de auditoría de código", "url": "https://feynman.is/docs/workflows/audit" }, { "@type": "WebPage", "name": "workflow de replicación", "url": "https://feynman.is/docs/workflows/replication" }, { "@type": "WebPage", "name": "documentación de watch", "url": "https://feynman.is/docs/workflows/watch" }, { "@type": "WebPage", "name": "licencia MIT", "url": "https://github.com/companion-inc/feynman/blob/main/LICENSE" } ], "dateModified": "2026-09-03", "datePublished": "2026-09-03", "description": "Feynman es un sistema de investigación con IA desde terminal y licencia MIT. Combina búsqueda de papers y web, cuatro agentes especializados, verificación de fuentes, auditorías entre paper y código, planes de replicación, ejecución opcional con compute y seguimiento recurrente. Su alcance es poco habitual para una herramienta open source tan joven, pero no convierte la investigación en algo gratuito, privado o correcto por defecto. Un despliegue totalmente local necesita un modelo local y rutas de retrieval locales o sin clave elegidas con cuidado. Los modelos, buscadores y proveedores de GPU alojados generan costes y trabajo de gobierno de datos. El verificador comprueba si una fuente respalda una afirmación y si su URL funciona, pero la revisión humana decide si la evidencia basta. Pilota Feynman con una pregunta acotada y repetible. Mide precisión de fuentes, citas respaldadas, correcciones del revisor, tiempo hasta un informe aceptado, coste de modelo y compute, y reproducibilidad.", "headline": "Feynman: análisis del agente de investigación IA open source", "image": "https://wavect.io/img/blog/headers/header_feynman-open-source-ai-research-agent.svg", "inLanguage": "es", "keywords": "Agentes de IA, Código abierto", "mainEntityOfPage": { "@id": "https://wavect.io/es/blog/feynman-open-source-ai-research-agent/", "@type": "WebPage" }, "publisher": { "@id": "https://wavect.io/#organization", "@type": [ "Organization", "ProfessionalService", "LocalBusiness" ] }, "url": "https://wavect.io/es/blog/feynman-open-source-ai-research-agent/", "wordCount": 2220 } ``` ```json { "@context": "https://schema.org", "@type": "BreadcrumbList", "itemListElement": [ { "@type": "ListItem", "item": "https://wavect.io/es/", "name": "Inicio", "position": 1 }, { "@type": "ListItem", "item": "https://wavect.io/es/blog/overview/", "name": "Resumen del blog", "position": 2 }, { "@type": "ListItem", "item": "https://wavect.io/es/blog/topics/ai-agents/", "name": "IA y agentes", "position": 3 }, { "@type": "ListItem", "item": "https://wavect.io/es/blog/clusters/agent-engineering/", "name": "Ingeniería de agentes", "position": 4 }, { "@type": "ListItem", "item": "https://wavect.io/es/blog/feynman-open-source-ai-research-agent/", "name": "Feynman: agente de investigación IA open source", "position": 5 } ] } ``` ```json { "@context": "https://schema.org", "@type": "FAQPage", "mainEntity": [ { "@type": "Question", "acceptedAnswer": { "@type": "Answer", "text": "Feynman es un sistema open source de investigación con IA desde terminal. Busca papers, fuentes web y repositorios, coordina agentes Researcher, Reviewer, Writer y Verifier, y guarda artefactos con fuentes en carpetas locales." }, "name": "¿Qué es Feynman AI?" }, { "@type": "Question", "acceptedAnswer": { "@type": "Answer", "text": "El código tiene licencia MIT y no cobra licencia. APIs de modelos, búsqueda alojada, parsers, GPU cloud, almacenamiento, operación y revisión humana pueden generar costes relevantes." }, "name": "¿Feynman es open source y gratis?" }, { "@type": "Question", "acceptedAnswer": { "@type": "Answer", "text": "Admite LM Studio, Ollama y vLLM. Un flujo realmente local también exige evitar o autoalojar búsqueda, parsing y compute externos. Ejecutar desde terminal no garantiza que los datos permanezcan en local." }, "name": "¿Puede funcionar completamente en local?" }, { "@type": "Question", "acceptedAnswer": { "@type": "Answer", "text": "El Verifier está diseñado para abrir URLs y comprobar si respaldan sus claims. Reduce errores de cita, pero no prueba la calidad de la fuente, la cobertura completa ni la validez experta." }, "name": "¿Feynman verifica todas las citas?" }, { "@type": "Question", "acceptedAnswer": { "@type": "Answer", "text": "Puede planificar una replicación y ayudar a ejecutarla tras elegir explícitamente un entorno local, aislado, Docker o cloud. Derechos, seguridad, presupuesto y aceptación científica siguen siendo responsabilidad del usuario." }, "name": "¿Puede ejecutar experimentos en GPU?" }, { "@type": "Question", "acceptedAnswer": { "@type": "Answer", "text": "Está listo para un piloto acotado y medible. El uso amplio necesita versiones fijadas, revisión de proveedores, controles de credenciales, clasificación de datos, evaluaciones deterministas, límites de coste, logs y aprobación humana." }, "name": "¿Está listo para investigación empresarial?" } ] } ```