BESSER Bot Framework

Esta reseña sobre el BESSER Bot Framework aborda para qué se utiliza este marco, sus características principales, cuánto cuesta, cómo te afecta el cambio de nombre a «BESSER Agentic Framework», cuáles son sus puntos fuertes y débiles, y cómo se compara con otras herramientas. El BESSER Bot Framework (BBF) forma parte de BESSER (Building Better Smart Software Faster), un proyecto de código abierto y de bajo código del Instituto de Ciencia y Tecnología de Luxemburgo (LIST), cuyo objetivo es ayudar a los equipos a crear mejor software inteligente más rápidamente. En febrero de 2025, el proyecto pasó a denominarse BESSER Agentic Framework (BAF) para reflejar su transición de bots basados en reglas a agentes de IA (comunicado del LIST). El antiguo besser-bot-framework paquete en PyPI se detiene en la versión 1.5.0; el nuevo trabajo se distribuye como besser-agentic-framework, versión 4.5.2 en el momento de redactar este artículo. Los agentes se escriben en código Python sin sintaxis especial: estados, transiciones entre ellos y las intenciones que desencadenan dichas transiciones.

¿Para qué se utiliza el BESSER Bot Framework?

El marco se utiliza para crear chatbots y agentes de IA que siguen un flujo de conversación claro, pero que también son capaces de entender texto libre. Algunos ejemplos típicos son los bots de atención al cliente y de preguntas frecuentes, los asistentes que responden a preguntas a partir de tus propios documentos con RAG, los bots que reaccionan a eventos en un repositorio de GitHub o GitLab, los bots de Telegram y los sistemas multiagente en los que un agente habla con el usuario y otros generan o revisan código. Los investigadores lo utilizan para experimentar con el diseño de agentes, y los equipos lo emplean cuando desean un agente que puedan ejecutar en sus propios servidores en lugar de en una plataforma de chatbots alojada.

Dado que un agente es una máquina de estados finitos, se puede ver y probar cada paso de una conversación, lo que se adapta a flujos de trabajo deterministas, como los flujos de asistencia o los diálogos tipo formulario. Los modelos de lenguaje grande (LLM) se encargan de las partes en las que las reglas no son suficientes: clasificar intenciones, extraer datos de las entradas del usuario o redactar una respuesta. El resultado es un sistema híbrido que combina la lógica estructurada con capacidades generativas. Al estar escrito íntegramente en Python, también resulta fácil integrar bibliotecas de ciencia de datos, bases de datos y API en un agente.

Características principales

• Máquinas de estados: un agente es un conjunto de estados, cada uno con un cuerpo (código en Python que se ejecuta al entrar) y transiciones desencadenadas por intenciones, eventos o condiciones.
• Intenciones y entidades: define intenciones con frases de ejemplo y extrae entidades de la entrada del usuario mediante el reconocimiento de entidades nombradas. El clasificador de intenciones simple cuenta con una implementación en PyTorch y otra en TensorFlow, y hay disponible un clasificador basado en LLM.
• LLM: conecta modelos de OpenAI, HuggingFace, Replicate, Groq, Mistral y otros, y combina las respuestas de los LLM con lógica basada en reglas.
• RAG: responde a partir de tus propios documentos con la generación aumentada por recuperación (RAG).
• Plataformas: una plataforma WebSocket con una interfaz de usuario Streamlit o un widget de chat, además de Telegram, GitHub, GitLab y una plataforma A2A para la comunicación entre agentes.
• Voz: conversión de voz a texto y de texto a voz para agentes de voz.
• Sistemas multiagente: desde la versión 2.0, los agentes pueden comunicarse entre sí y repartirse una tarea.
• Supervisión: una base de datos y un panel de control que realizan un seguimiento de las sesiones y las interacciones de los agentes, para que puedas consultar los detalles de conversaciones anteriores.
• Idiomas: los agentes pueden funcionar en varios idiomas; para que el agente utilice el luxemburgués, se necesita la biblioteca «spellux», que hay que instalar manualmente.

Precios de BESSER Bot Framework

El marco es gratuito. Es de código abierto bajo la licencia MIT, por lo que puedes utilizarlo en proyectos comerciales, modificar el código fuente y alojarlo tú mismo sin tener que pagar derechos de licencia (repositorio de GitHub). No hay ningún plan de pago, ni versión alojada, ni límite de uso por parte del propio proyecto.

El coste a tener en cuenta es todo lo que lo rodea. Los proveedores de LLM, como OpenAI, cobran por token; el alojamiento del agente y su servidor WebSocket corre a tu cargo; y las dependencias opcionales, como PyTorch o TensorFlow, requieren un servidor con memoria suficiente. La asistencia técnica se proporciona a través de las incidencias de GitHub y la documentación, no mediante un contrato con un proveedor.

Instalación y agentes de ejemplo

El marco requiere Python 3.10 o posterior. Crea un entorno virtual y, a continuación, instala el paquete base con pip:

pip install besser-agentic-framework

Este comando instala el paquete base solo con las dependencias principales. Para añadir las dependencias necesarias para funcionalidades adicionales del agente, utiliza las siguientes etiquetas: extras (RAG, conversión de voz a texto, plotly, opencv), llms (las dependencias adicionales para ejecutar modelos de lenguaje grande [LLM]: OpenAI, Replicate, transformers), torch para instalar PyTorch para el clasificador de intenciones simple y los modelos de HuggingFace, tensorflow (un paquete muy pesado, así que instálalo solo si es necesario), docs para compilar la documentación del proyecto, y all para todas las dependencias de una sola vez. Si has clonado el repositorio, instálalas a partir de los archivos de requisitos. La documentación incluye detalles sobre cada opción y un ejemplo en funcionamiento para cada concepto. El repositorio contiene agentes de ejemplo para empezar: un agente muy sencillo para el primer contacto (saludos), un agente meteorológico con entidades, un agente LLM, un agente RAG, agentes de Telegram, GitHub y GitLab, y un ejemplo de sistema multiagente A2A. Hay más ejemplos disponibles en el repositorio BAF-agent-examples.

Un orden práctico: crea el entorno virtual, ejecuta el comando de instalación del paquete base y empieza con el agente muy sencillo antes de añadir ningún paquete pesado. Añade la etiqueta «torch» o «tensorflow» solo cuando necesites el clasificador de intenciones sencillo en tu propio servidor; su implementación en PyTorch y en TensorFlow requiere las mismas dependencias que los modelos de HuggingFace, y el propio proyecto califica a TensorFlow como un paquete muy pesado. Si el idioma del agente es el luxemburgués, instala también «spellux» manualmente. Mantener reducidas las dependencias principales facilita la implementación del sistema en un contenedor y su integración con un backend de Python ya existente.

De BESSER Bot Framework al marco de código abierto BESSER Agentic Framework

BESSER Bot Framework y BESSER Agentic Framework son el mismo proyecto. El cambio de nombre se produjo con la versión 2.0, que añadió compatibilidad con múltiples agentes, y la documentación, el repositorio y el paquete utilizan ahora el nuevo nombre (documentación). Los enlaces antiguos a la documentación de BESSER Bot Framework ya no funcionan, y el antiguo repositorio de GitHub redirige al nuevo. Los proyectos basados en BBF 1.x siguen funcionando con el paquete antiguo, pero las nuevas funcionalidades solo se incorporan en BAF, por lo que se recomienda iniciar nuevos proyectos con el nuevo paquete. El marco también forma parte de la plataforma «low-code» más amplia de BESSER, cuya base es el lenguaje de modelado B-UML. El equipo de investigación presenta las máquinas de estados del marco como un campo de pruebas para demostrar cómo B-UML modelará el software inteligente, y BESSER se desarrolla como un proyecto de cinco años financiado por el Fondo Nacional de Investigación de Luxemburgo (artículo en arXiv).

Puntos fuertes y puntos débiles del BESSER Bot Framework

Puntos fuertes:

• Gratuito y de código abierto bajo licencia MIT, sin dependencia de un proveedor concreto.
• Modelo claro de máquina de estados que permite probar las conversaciones.
• Combina flujos basados en reglas con LLM, RAG, voz y PLN multilingüe en un único marco.
• Desarrollo activo a cargo de un instituto de investigación, con lanzamientos periódicos.

Inconvenientes:

• Solo código: no hay un generador visual ni una interfaz de arrastrar y soltar para usuarios que no sean desarrolladores.
• Las máquinas de estados dificultan el diseño de conversaciones fluidas y abiertas.
• Una comunidad reducida en comparación con los grandes marcos de trabajo de agentes.
• Dependencias opcionales pesadas para los modelos locales.
• La documentación y los ejemplos dan por hecho que conoces Python.

Comparativa de BESSER Bot Framework

• BESSER: la plataforma de modelado «low-code» a la que pertenece el marco.
• Voiceflow: un generador visual alojado para agentes de chat y voz, dirigido a equipos de producto.
• Landbot: chatbots «no-code» para sitios web y WhatsApp, con una suscripción mensual.
• Chatfuel: bots «no-code» para Facebook Messenger, Instagram y WhatsApp.
• n8n: automatización de flujos de trabajo con nodos de agentes de IA, autoalojable como BAF.
• AI Builder: los modelos de IA de Microsoft para Power Apps y Power Automate.

Un sitio web de alternativas de terceros (NoCodes.ai) describe el marco como un generador de chatbots sin código y advierte sobre las limitaciones de la instalación local; la propia documentación del proyecto muestra una biblioteca de Python que se instala y aloja uno mismo, por lo que ninguna de las dos afirmaciones es cierta.

¿Merece la pena el BESSER Bot Framework?

El BESSER Bot Framework, ahora denominado BESSER Agentic Framework, merece la pena para los desarrolladores de Python que buscan un marco gratuito y autoalojado para chatbots y agentes de IA con una estructura clara, así como para equipos que necesitan combinar flujos de conversación fijos con modelos de lenguaje grande (LLM). Es una buena opción para la investigación, los asistentes internos y las herramientas de desarrollo en GitHub o GitLab. No es la elección adecuada para personas que no sean desarrolladores y necesiten un generador visual, ni para equipos que busquen una plataforma alojada con soporte e integraciones listas para usar; en esos casos, Voiceflow o Landbot se adaptan mejor a sus necesidades. Si necesitas ayuda para diseñar o crear agentes con esta herramienta, las agencias y los desarrolladores de LowCodeDevs pueden encargarse de ello.

Fuentes

• BESSER Agentic Framework en GitHub: README, instalación, licencia y ejemplos de agentes.
• Documentación de BESSER Agentic Framework: conceptos básicos, plataformas, compatibilidad con NLP y LLM.
• De bots a agentes, LIST: el cambio de nombre de febrero de 2025 y la versión 2.0.
• Creación de BESSER: una plataforma de código abierto «low-code», arXiv: el papel del marco en BESSER y la financiación de FNR PEARL.
• Alternativas al marco de bots de BESSER, NoCodes.ai: lista de alternativas de terceros (su descripción entra en conflicto con la documentación del proyecto).