10 Repositorios de IA (para claude code) que GitHub No Va a Destacar por Ti.

El problema no es encontrar repos de IA. Es encontrar los que resuelven algo real, tienen mantenimiento activo y no van a desaparecer en dos semanas. GitHub tiene demasiado ruido para separarlo a mano.

Este es el filtro de mayo: diez herramientas que cubren desde la gestión de tokens hasta la búsqueda de empleo, pasando por diseño generativo, automatización de navegador y grafos de conocimiento local. Sin promesas de AGI. Sin demos de tres minutos que nunca funcionan en producción.

1. caveman.

Hay un patrón que se repite con los modelos de lenguaje: cuanto más largo es el contexto del sistema, más prolija se vuelve la respuesta. caveman invierte esa lógica forzando al modelo a responder con la densidad mínima posible — máxima información, mínimas palabras.

La diferencia práctica no es cosmética. Menos tokens de salida significa menor latencia, menor coste por llamada y respuestas que van al punto sin introducción, sin cierre, sin los tres párrafos de contexto que nadie pidió. El repositorio incluye comparativas directas entre salida estándar y salida comprimida con las mismas preguntas — la diferencia de tokens es de entre 3x y 5x en la mayoría de casos.

Útil en cualquier pipeline donde el output de Claude alimenta otro proceso.

→ github.com/JuliusBrussee/caveman

2. graphify.

Los sistemas RAG clásicos tienen un problema estructural: para que funcionen bien hay que convertir todo a embeddings, mantener una base vectorial y gestionar la degradación semántica cuando el contenido cambia. graphify tira por otro camino.

En lugar de vectores, construye un grafo de conocimiento local a partir de los archivos que le pases: PDFs, capturas de pantalla, diagramas, vídeos transcritos con Whisper. El resultado es una estructura navegable donde los conceptos están relacionados por sus conexiones reales, no por proximidad matemática en un espacio de alta dimensión.

Sin embeddings, sin infraestructura externa, sin coste por consulta. Todo corre en tu máquina. Con 41.8k estrellas en GitHub, es el repo de gestión del conocimiento que más tracción ha cogido este año.

→ github.com/safishamsi/graphify

3. claude-video.

Que Claude no podía procesar vídeo nativamente era uno de sus límites más comentados. claude-video lo rodea de forma elegante: FFmpeg extrae frames a intervalos adaptativos según la duración del clip, Whisper transcribe el audio, y el conjunto se empaqueta como contexto multimodal para el modelo.

El sistema de presupuesto adaptativo es lo más interesante: un clip de 30 segundos genera 30 frames, uno de 10 minutos genera 100. No es una proporción lineal — es un ajuste que balancea cobertura temporal con coste de tokens. El resultado es análisis de vídeo usable sin API de vídeo dedicada ni depender de Gemini o NotebookLM.

→ github.com/bradautomates/claude-video

4. open-design.

Claude Design llegó como una capacidad propietaria dentro del ecosistema de Anthropic. open-design la replica como proyecto de código abierto bajo licencia Apache 2.0: 31 skills predefinidas, generación de prototipos, presentaciones, hooks para las APIs de imagen y vídeo.

Está construido sobre cuatro proyectos base — huashu-design, Guzheng, Open Code Design y Multika — y el resultado es un entorno de diseño agéntico que corre en local sin cuotas de uso. Para equipos que ya tienen acceso a la API de Anthropic pero no quieren depender de la interfaz web para tareas de diseño repetitivas, es la alternativa obvia.

19.1k estrellas. TypeScript. La demo en el repo es más convincente que la mayoría de pitches de producto que se verán este año.

→ github.com/nexu-io/open-design

5. codeburn.

Sabes cuánto gastas en tokens al mes. No sabes exactamente en qué. codeburn resuelve el segundo problema con un dashboard que agrega datos de 16 herramientas de IA diferentes y los desglosa por actividad (coding, debugging, refactoring, planning), por proyecto, por modelo y por herramienta MCP.

La imagen del repo es suficientemente elocuente: Opus 4.6 acumula más de 1.400 dólares en el período mostrado, Sonnet 4.6 apenas 54. No porque uno sea más útil — sino porque nadie había establecido reglas claras sobre cuándo usar cada modelo. Con visibilidad sobre ese desglose, optimizar el gasto deja de ser intuición y pasa a ser configuración.

TypeScript, 5.1k estrellas. Indispensable si tienes un equipo usando múltiples agentes en paralelo.

→ github.com/getagentseal/codeburn

6. impeccable.

El problema del diseño generado por IA no es que sea malo. Es que tiene un conjunto de defectos reconocibles — degradados innecesarios, tarjetas apiladas en tarjetas, lorem ipsum que nadie reemplazó — que hacen que todo se parezca. impeccable ataca eso con 23 comandos especializados en corrección de diseño front-end.

La v3 añade edición en vivo desde el navegador: señalas un componente, ejecutas el comando, ves el resultado en tiempo real sin tocar el código manualmente. El repositorio tiene una galería antes/después para cada comando que hace evidente el tipo de problemas que resuelve.

24.6k estrellas. Si trabajas con Claude Code generando interfaces, este complemento cierra la brecha entre "funcional" y "presentable".→ github.com/pbakaus/impeccable

7. design-extract.

La forma en que un desarrollador analiza un sitio web extrae métricas técnicas pero pierde el lenguaje de diseño. design-extract hace lo contrario: lanza un navegador headless contra cualquier URL y extrae el sistema de diseño completo — layout, responsividad, estados de interacción, lenguaje de movimiento, componentes, voz de marca.

El output es estructurado y consumible directamente por un agente. Señalas un sitio que te parece bien ejecutado, obtienes su arquitectura de diseño en un formato que puedes usar como referencia o punto de partida para tu propio proyecto.

2k estrellas. Del tipo de herramienta que en dos semanas de uso se vuelve imprescindible.

→ github.com/Manavarya09/design-extract

8. career-ops.

La búsqueda de empleo tiene el mismo problema que muchas tareas de conocimiento intensivo: demasiados pasos manuales repetibles que nadie ha automatizado bien. career-ops convierte cualquier CLI de IA en un centro de operaciones con Playwright para navegar portales de empleo, generación de PDFs personalizados por oferta, puntuación de encaje por vacancy y seguimiento del estado de cada candidatura.

La distinción importante: no es una herramienta de spam masivo. Es lo opuesto — hace que cada candidatura sea más ajustada al rol concreto, adaptando el CV y la carta de presentación al lenguaje específico de cada oferta. El volumen baja, la tasa de respuesta sube.

→ github.com/santifer/career-ops

9. browser-harness.

La mayoría de los agentes de navegador tienen el mismo comportamiento ante el error: parar y reportar. browser-harness tiene un ciclo diferente: ejecuta la tarea, anota qué funcionó y qué no, reescribe su propio archivo de skills con ese aprendizaje, e intenta de nuevo en la siguiente ejecución con una estrategia actualizada.

Es un mini-loop de mejora continua aplicado a automatización de navegador. El repo usa Amazon como caso de prueba estándar — uno de los sitios más hostiles para bots por su estructura cambiante — y la diferencia de tasa de éxito entre la primera ejecución y la décima es el argumento más convincente que cualquier descripción.

10k estrellas. TypeScript. El modelo conceptual — agentes que aprenden de sus propios errores sin supervisión humana — es en lo que va a converger la automatización web en los próximos meses.

→ github.com/browser-use/browser-harness

10. n8n-mcp.

n8n tiene el problema de todos los sistemas de automatización visual: cuando un agente de IA intenta generar o modificar flujos programáticamente, acaba emitiendo JSON a ciegas y esperando que sea válido. n8n-mcp rompe ese ciclo.

Al ser TypeScript-first, el MCP valida los nodos antes de convertirlos a JSON. Si un nodo va a fallar, lo detecta antes de enviarlo a la instancia. El resultado es generación de workflows de n8n por agentes de IA con una tasa de error sustancialmente inferior a cualquier implementación que trabaje directamente sobre el JSON sin validación de tipos.

Para equipos que usan n8n como capa de automatización y quieren que Claude Code pueda crear o modificar flujos sin supervisión constante, es el eslabón que faltaba.

→ github.com/czlonkowski/n8n-mcp

Patrón común.

Diez herramientas distintas, pero comparten una característica: ninguna intenta resolver un problema inventado. Cada una ataca una fricción real y documentable — coste opaco de tokens, diseño mediocre generado por IA, vídeo inaccesible para modelos de texto, automatización frágil ante errores.

Los mejores repos de IA de este ciclo no son frameworks nuevos. Son piezas específicas que encajan en flujos que ya existen y los hacen funcionar mejor.

Todos los repositorios están disponibles en GitHub bajo sus respectivas licencias open source.