Tu espacio de trabajo de crecimiento con IA, de código abierto.
Descubre dónde encuentran tu producto, qué dicen de él
y qué acciones de crecimiento conviene emprender después.
English · 中文 · 日本語 · 한국어 · Español
Descripción · Inicio rápido · Conocimiento y RAG · Configuración
OpenCMO es un director de marketing con IA, alojado en tu propia infraestructura, para fundadores, responsables de proyectos de código abierto y pequeños equipos de producto. Conecta la visibilidad en buscadores, las conversaciones de comunidades, la investigación de competidores y tus propios documentos en un único espacio de trabajo por proyecto.
Empieza con la URL de un producto. OpenCMO construye el contexto del proyecto, recopila señales y utiliza agentes especializados para convertirlas en informes, borradores de contenido y recomendaciones priorizadas. Los análisis programados permiten seguir los cambios a lo largo del tiempo; una cola de aprobación mantiene las decisiones de publicación en tus manos.
| Función | Qué puedes hacer |
|---|---|
| SEO y posiciones en buscadores | Auditar el estado técnico del sitio, comprobar el acceso de rastreadores de IA y seguir la evolución de las posiciones de palabras clave. |
| Visibilidad en búsquedas con IA (GEO) | Examinar menciones y citas de la marca mediante proveedores de IA compatibles; la cobertura depende de las integraciones configuradas. |
| Comunidades y competidores | Encontrar conversaciones relevantes, seguir menciones y explorar competidores, palabras clave y conversaciones en un grafo de conocimiento. |
| Biblioteca de conocimiento (RAG) | Recuperar información de tus documentos e informes anteriores, con citas de las fuentes en chats, informes y borradores. |
| Informes y chat con IA | Generar informes estratégicos y resúmenes semanales, obtener un Human Readout y un Agent Brief, o comentar los resultados con agentes que conocen el proyecto. |
| Contenido y aprobaciones | Preparar borradores de contenido y mensajes de contacto, revisar las acciones propuestas y activar las integraciones de publicación compatibles cuando estés listo. |
Usa tu propio modelo. Configura OpenAI o un endpoint compatible con OpenAI, un modelo que admita llamadas a herramientas y una clave de API. Las integraciones opcionales de búsqueda, comunidades y publicación amplían el espacio de trabajo según tus necesidades.
La publicación directa admite Reddit y Twitter/X cuando se configuran las credenciales de la plataforma y OPENCMO_AUTO_PUBLISH=1. Los demás mensajes de contacto se conservan como borradores para revisión.
- Construir el contexto — rastrear la URL del producto y analizar su marca, categoría, palabras clave y competidores.
- Recopilar señales — reunir datos de SEO, búsquedas con IA, posiciones de palabras clave y comunidades mediante los proveedores disponibles.
- Revisar los resultados en conjunto — normalizar los resultados y dejar que los agentes especializados analicen cada área y sinteticen las prioridades.
- Generar resultados — guardar los hallazgos, generar informes y briefs, y preparar acciones para su revisión.
- Mantener el seguimiento — programar análisis diarios, semanales o mensuales y comparar los nuevos resultados con ejecuciones anteriores.
El flujo de seguimiento tiene seis etapas: construcción del contexto → recopilación de señales → normalización → revisión por área → síntesis estratégica → persistencia. Los informes, el chat y los borradores reutilizan el contexto del proyecto, sin necesidad de explicar el producto cada vez.
Docker compila la interfaz web y el backend juntos. Instala Docker con Compose y ejecuta:
git clone https://github.com/Lling0000/OpenCMO.git
cd OpenCMO
cp .env.example .envEdita .env y asigna a OPENAI_API_KEY la clave de tu proveedor de modelos. Para un proveedor compatible, configura también OPENAI_BASE_URL y OPENCMO_MODEL_DEFAULT; encontrarás ejemplos en la guía de configuración.
docker compose up -d --buildAbre http://localhost:8080, crea un proyecto a partir de su URL y ejecuta el primer análisis. También puedes configurar los modelos desde la interfaz web.
Ejecutar desde el código fuente — Python 3.10+ y Node.js 20+
git clone https://github.com/Lling0000/OpenCMO.git
cd OpenCMO
python3 -m venv .venv
source .venv/bin/activate
pip install -e ".[all]"
crawl4ai-setup
cp .env.example .envConfigura la clave del modelo en .env, compila el frontend e inicia el servidor:
cd frontend
npm ci
npm run build
cd ..
opencmo-webAbre http://localhost:8080. Es necesario compilar el frontend para usar la interfaz web.
- Añade la URL del producto o del repositorio y revisa el contexto detectado.
- Ejecuta un análisis y examina los resultados sobre búsquedas, comunidades y competidores.
- Pide al chat con IA que explique un hallazgo o genere un informe estratégico.
- Añade documentos fuente si quieres respuestas basadas en tu propio conocimiento.
- Revisa los borradores y las recomendaciones, y programa el siguiente análisis.
La biblioteca de conocimiento opcional admite PDF con texto, DOCX, Markdown, TXT, texto pegado, páginas web públicas e informes anteriores. Combina recuperación de vectores densos con Qdrant, BM25, recuperación por títulos y entidades, fusión de rankings y reranking, e incorpora el contexto circundante y las citas de las fuentes en los resultados generados.
# Activa la aplicación y la base de datos vectorial opcional.
docker compose --profile rag up -d --buildEn Biblioteca de conocimiento → Modelos y recuperación, configura los proveedores de embeddings y reranking, prueba las conexiones y activa la recuperación. Sube una fuente y espera a que termine la indexación antes de consultarla.
Los documentos son privados para cada proyecto de forma predeterminada. Compartir entre cuentas y permitir el uso de una fuente en contenido público son ajustes independientes. Consulta la guía de RAG para conocer la configuración, los permisos, las API y la evaluación de proveedores.
| Capa | Tecnologías |
|---|---|
| Interfaz web | React 19 · TypeScript · Vite · TanStack Query |
| API y orquestación | FastAPI · OpenAI Agents SDK |
| Trabajo en segundo plano | Workers de análisis, informes, expansión de grafos e indexación del conocimiento |
| Almacenamiento y recuperación | SQLite / FTS5 · Qdrant opcional |
| Recopilación | Crawl4AI · proveedores de búsqueda y específicos de cada plataforma |
frontend/src/ Interfaz web, vistas de proyectos y configuración
src/opencmo/agents/ CMO y agentes especializados
src/opencmo/tools/ Rastreo, búsqueda, auditorías e integraciones de plataformas
src/opencmo/services/ Análisis del proyecto y flujos de aprobación
src/opencmo/background/ Ejecución de tareas y seguimiento del progreso
src/opencmo/rag/ Ingesta, recuperación híbrida y citas de fuentes
src/opencmo/storage/ Persistencia con SQLite
src/opencmo/web/ Rutas de API y autenticación
Comandos de desarrollo
Tras instalar las dependencias del código fuente:
pip install pytest pytest-asyncio ruff
pytest tests/
ruff check src/ tests/
cd frontend
npm ci
npm run devEl servidor de desarrollo de Vite se ejecuta en http://localhost:5173 y redirige las solicitudes de API al backend en el puerto 8080.
- Arquitectura — componentes y flujos de datos (en chino).
- Revisión de optimización — mejoras, mediciones y prioridades pendientes (en chino).
- Configuración — proveedores de modelos e integraciones opcionales.
- Despliegue — alojamiento, almacenamiento persistente y copias de seguridad.
- Conocimiento y RAG — ingesta de documentos, recuperación y citas.
- Validación de RAG — alcance de las pruebas, mediciones de capacidad y estado de la evaluación.
- Contribuir — flujo de desarrollo y reconocimiento de contribuciones.
Mantenido por Ling (Lling0000). Las contribuciones históricas se recogen en CONTRIBUTORS.md.
LINUX DO — Una comunidad para entusiastas de la tecnología