AI Library ofrece un marco completo para diseñar y ejecutar agentes de IA. Incluye constructores de agentes, orquestación de cadenas, interfaces de modelos, integración de herramientas y soporte para almacenes vectoriales. La plataforma utiliza un enfoque API-first, documentación extensa y proyectos de ejemplo. Ya sea que estés creando chatbots, agentes de recuperación de datos o asistentes de automatización, la arquitectura modular de AI Library garantiza que cada componente —como modelos de lenguaje, memorias y herramientas externas— pueda configurarse, combinarse y supervisarse fácilmente en entornos de producción.

Flocking Multi-Agent proporciona una biblioteca modular para simular agentes autónomos que exhiben inteligencia de enjambre. Codifica comportamientos centrales de dirección: cohesión, separación y alineación, además de evitación de obstáculos y persecución de objetivos dinámicos. Utilizando Python y Pygame para visualización, permite ajustar parámetros como el radio del vecino, velocidad máxima y fuerza de giro. Soporta extensibilidad mediante funciones personalizadas de comportamiento y ganchos de integración para plataformas robóticas o motores de juego. Ideal para experimentación en IA, robótica, desarrollo de juegos e investigación académica, demostrando cómo reglas locales simples conducen a formaciones globales complejas.

AgenticRAG proporciona una arquitectura modular para crear agentes autónomos que aprovechan la generación aumentada por recuperación (RAG). Ofrece componentes para indexar documentos en almacenes vectoriales, recuperar el contexto relevante y alimentarlo en LLMs para generar respuestas con conciencia del contexto. Los usuarios pueden integrar APIs y herramientas externas, configurar almacenes de memoria para rastrear el historial de conversaciones y definir flujos de trabajo personalizados para gestionar procesos de decisión en múltiples pasos. El marco soporta bases de datos vectoriales populares como Pinecone y FAISS, así como proveedores de LLM como OpenAI, permitiendo cambios sin fisuras o configuraciones multi-modelo. Con abstracciones integradas para ciclos de agente y gestión de herramientas, AgenticRAG simplifica el desarrollo de agentes capaces de FAQ en documentos, investigación automatizada y automatización basada en conocimiento, reduciendo el código repetitivo y acelerando el despliegue.

AI Agent Example es un repositorio de demostración práctico para desarrolladores e investigadores interesados en construir agentes inteligentes alimentados por modelos de lenguaje amplios (LLM). El proyecto incluye código de ejemplo para planificación de agentes, almacenamiento de memoria y llamada a herramientas, mostrando cómo integrar APIs externas o funciones personalizadas. Cuenta con una interfaz conversacional sencilla que interpreta las intenciones del usuario, crea planes de acción y ejecuta tareas llamando a herramientas predefinidas. Los desarrolladores pueden seguir patrones claros para ampliar el agente con nuevas capacidades, como programación de eventos, scraping web o procesamiento automatizado de datos. Con una arquitectura modular, esta plantilla acelera la experimentación con flujos de trabajo impulsados por IA y asistentes digitales personalizados, además de ofrecer ideas sobre orquestación de agentes y gestión de estado.

Pipe Pilot es una herramienta de código abierto que permite a los desarrolladores construir, visualizar y gestionar pipelines de IA en Python. Ofrece una API declarativa o configuración YAML para encadenar tareas como generación de texto, clasificación, enriquecimiento de datos y llamadas API REST. Los usuarios pueden implementar ramas condicionales, bucles, reintentos y manejadores de errores para crear flujos de trabajo resistentes. Pipe Pilot mantiene el contexto de ejecución, registra cada paso y admite modos de ejecución en paralelo o secuenciales. Se integra con los principales proveedores de LLM, funciones personalizadas y servicios externos, siendo ideal para automatizar informes, chatbots, procesamiento inteligente de datos y aplicaciones IA complejas en múltiples etapas.

El Recetario de Agentes Gemini es un conjunto curado de herramientas de código abierto que ofrece una variedad de ejemplos prácticos para construir agentes inteligentes impulsados por los modelos de lenguaje Gemini de Google. Incluye código de muestra para orquestar cadenas de razonamiento de múltiples pasos, invocar API externas de manera dinámica, integrar kits de herramientas para recuperación de datos y gestionar flujos de conversación. El recetario demuestra mejores prácticas para manejo de errores, gestión de contexto y ingeniería de prompts, apoyando casos de uso como chatbots autónomos, automatización de tareas y sistemas de soporte para decisiones. Guía a los desarrolladores en la construcción de agentes personalizados que puedan interpretar solicitudes de usuarios, obtener datos en tiempo real, realizar cálculos y generar salidas formateadas. Siguiendo estas recetas, los ingenieros pueden acelerar la creación de prototipos de agentes y desplegar aplicaciones robustas de IA en diversos dominios.

RModel es un marco de agentes de IA centrado en el desarrollador, diseñado para simplificar la creación de aplicaciones conversacionales y autónomas de próxima generación. Se integra con cualquier LLM, soporta cadenas de herramientas de plugins, almacenamiento de memoria y generación dinámica de prompts. Con mecanismos de planificación incorporados, registro de herramientas personalizadas y telemetría, RModel permite que los agentes realicen tareas como recuperación de información, procesamiento de datos y toma de decisiones en múltiples dominios, manteniendo diálogos con estado, ejecución asíncrona, manejadores de respuesta personalizables y gestión segura de contextos para despliegues en la nube escalables o en sede.

AutoDRIVE Cooperative MARL es un marco alojado en GitHub que combina el simulador de conducción urbana AutoDRIVE con algoritmos adaptables de aprendizaje por refuerzo multi-agente. Incluye scripts de entrenamiento, envoltorios de entorno, métricas de evaluación y herramientas de visualización para desarrollar y evaluar políticas de conducción cooperativa. Los usuarios pueden configurar los espacios de observación de los agentes, funciones de recompensa y hiperparámetros de entrenamiento. El repositorio soporta extensiones modulares, permitiendo definiciones personalizadas de tareas, aprendizaje por currículo y seguimiento del rendimiento para la investigación en coordinación de vehículos autónomos.

AI Agent FletUI proporciona un marco de interfaz de usuario modular para crear aplicaciones de chat inteligentes respaldadas por grandes modelos de lenguaje (LLMs). Incluye widgets de chat, paneles de integración de herramientas, almacenes de memoria y manejadores de eventos que se conectan perfectamente con cualquier proveedor LLM. Los usuarios pueden definir herramientas personalizadas, gestionar de forma persistente el contexto de la sesión y renderizar formatos de mensajes enriquecidos listas para usar. La biblioteca abstrae la complejidad del diseño UI en Flet y agiliza la invocación de herramientas, permitiendo prototipados rápidos y despliegue de asistentes impulsados por LLM.

Agentic Workflow es un marco declarativo que permite a los desarrolladores definir flujos de trabajo de IA complejos mediante la cadena de múltiples agentes basados en LLM, cada uno con roles, prompts y lógica de ejecución personalizables. Ofrece soporte incorporado para orquestación de tareas, gestión de estado, manejo de errores e integraciones de plugins, permitiendo una interacción fluida entre agentes y herramientas externas. La biblioteca utiliza Python y configuraciones en YAML para abstraer las definiciones de agentes, soporta flujos de ejecución asíncronos y ofrece extensibilidad mediante conectores y plugins personalizados. Como proyecto de código abierto, incluye ejemplos detallados, plantillas y documentación para ayudar a los equipos a acelerar el desarrollo y mantener ecosistemas de agentes de IA complejos.

demo_smolagents es una implementación de referencia de SmolAgents, un microframework en Python para crear agentes de IA autónomos impulsados por grandes modelos de lenguaje. Esta demo incluye ejemplos de cómo configurar agentes individuales con kits de herramientas específicos, establecer canales de comunicación entre agentes y gestionar dinámicamente la transferencia de tareas. Muestra integración con LLM, invocación de herramientas, gestión de prompts y patrones de orquestación para construir sistemas multi-agente que puedan realizar acciones coordinadas según la entrada del usuario y resultados intermedios.

Noema Declarative AI permite a desarrolladores e investigadores especificar agentes de IA y sus flujos de trabajo de manera de alto nivel y declarativa. Escribiendo archivos de configuración en YAML o JSON, defines agentes, prompts, herramientas y módulos de memoria. La ejecución de Noema luego analiza estas definiciones, carga modelos de lenguaje, ejecuta cada paso del pipeline, maneja el estado y el contexto, y devuelve resultados estructurados. Este enfoque reduce el boilerplate, mejora la reproducibilidad y separa la lógica de la ejecución, haciendo que sea ideal para prototipar chatbots, scripts de automatización y experimentos de investigación.

OpenSpiel es un marco de investigación que proporciona una amplia gama de entornos (desde juegos simples de matriz hasta juegos de tablero complejos como Ajedrez, Go y Póker) e implementa varios algoritmos de aprendizaje por refuerzo y búsqueda (por ejemplo, iteración de valores, métodos de gradiente de política, MCTS). Su núcleo modular en C++ y enlaces en Python permiten a los usuarios integrar algoritmos personalizados, definir nuevos juegos y comparar el rendimiento en benchmarks estándar. Diseñado para extensibilidad, soporta configuraciones de un solo agente y multi-agente, permitiendo estudiar escenarios cooperativos y competitivos. Los investigadores utilizan OpenSpiel para prototipar rápidamente algoritmos, realizar experimentos a gran escala y compartir código reproducible.

FastMCP es un framework de código abierto en Python para construir servidores y clientes MCP (Protocolo de Contexto del Modelo) que habilitan a los LLM con herramientas externas, fuentes de datos y peticiones personalizadas. Los desarrolladores definen clases de herramientas y manejadores de recursos en Python, los registran en el servidor FastMCP y los despliegan usando protocolos de transporte como HTTP, STDIO o SSE. La biblioteca cliente ofrece una interfaz asíncrona para interactuar con cualquier servidor MCP, facilitando la integración fluida de agentes AI en aplicaciones.

pyafai es una biblioteca de Python de código abierto que ayuda a los desarrolladores a diseñar, configurar y ejecutar agentes de IA autónomos. Ofrece módulos acoplables para gestión de memoria para mantener el contexto, integración de herramientas para llamadas a APIs externas, observadores para monitoreo del entorno, planificadores para toma de decisiones y un orquestador para gestionar los bucles de los agentes. Las funciones de registro y monitoreo proporcionan visibilidad del rendimiento y comportamiento del agente. pyafai admite principales proveedores de LLM, permite crear módulos personalizados y reduce la necesidad de código repetitivo para que los equipos puedan prototipar rápidamente asistentes virtuales, bots de investigación y flujos de trabajo de automatización con control completo sobre cada componente.

LangGraph proporciona una abstracción basada en gráficos para diseñar flujos de trabajo de agentes AI. Los desarrolladores definen nodos que representan solicitudes, herramientas, fuentes de datos o lógica de decisión, y luego conectan estos nodos con bordes para formar un gráfico dirigido. Durante la ejecución, LangGraph recorre el gráfico ejecutando llamadas a LLM, solicitudes API y funciones personalizadas en secuencia o en paralelo. El soporte incorporado para caché, manejo de errores, registros y concurrencia garantiza un comportamiento robusto del agente. Plantillas extensibles de nodos y bordes permiten a los usuarios integrar cualquier servicio o modelo externo, haciendo que LangGraph sea ideal para construir chatbots, pipelines de datos, trabajadores autónomos y asistentes de investigación sin código boilerplate complejo.

Claude-Code-OpenAI transforma la API de Claude de Anthropic en un reemplazo plug-and-play para los modelos de OpenAI en aplicaciones Python. Después de instalar mediante pip y configurar tus variables de entorno OPENAI_API_KEY y CLAUDE_API_KEY, puedes usar métodos familiares como openai.ChatCompletion.create(), openai.Completion.create() o openai.Embedding.create() con nombres de modelos Claude (por ejemplo, claude-2, claude-1.3). La biblioteca intercepta las llamadas, las enruta a los endpoints Claude correspondientes y normaliza las respuestas para que coincidan con las estructuras de datos de OpenAI. Soporta transmisión en tiempo real, mapeo avanzado de parámetros, manejo de errores y plantillas de indicaciones. Esto permite a los equipos experimentar con Claude y modelos GPT de forma intercambiable, sin refactorizar el código, facilitando la creación rápida de prototipos para chatbots, generación de contenido, búsqueda semántica y flujos de trabajo LLM híbridos.

Agent Adapters está diseñado para proporcionar a los desarrolladores una interfaz coherente para conectar agentes de IA con servicios y frameworks externos. A través de su arquitectura modular, ofrece adaptadores preconstruidos para APIs HTTP, plataformas de mensajería como Slack y Teams, y endpoints de herramientas personalizadas. Cada adaptador maneja el análisis de solicitudes, el mapeo de respuestas, la gestión de errores y ganchos opcionales para registro o monitoreo. Los desarrolladores también pueden registrar adaptadores personalizados implementando una interfaz definida y configurando los parámetros del adaptador en las configuraciones de su agente. Este enfoque optimizado reduce el código repetitivo, asegura una ejecución uniforme de los flujos de trabajo y acelera el despliegue de agentes en múltiples entornos sin reescribir la lógica de integración.

Java-Action-Storage es un componente central del marco multi-agente LightJason diseñado para gestionar la persistencia de extremo a extremo de las acciones de los agentes. Define una interfaz ActionStorage genérica con adaptadores para bases de datos populares y sistemas de archivos, soporta escrituras asíncronas y en lotes, y gestiona el acceso concurrente de múltiples agentes. Los usuarios pueden configurar estrategias de almacenamiento, consultar registros de acciones históricas y hacer reproducción de secuencias para auditar el comportamiento del sistema o recuperar estados de los agentes tras fallos. El módulo se integra mediante una inyección de dependencia sencilla, permitiendo una adopción rápida en proyectos de IA basados en Java.

LinkAgent proporciona un microkernel liviano para construir agentes de IA con componentes plug-in. Los usuarios pueden registrar backends de modelos de lenguaje, módulos de recuperación y APIs externas como herramientas, y luego ensamblarlos en flujos de trabajo utilizando planificadores y enrutadores integrados. LinkAgent soporta manejadores de memoria para persistencia de contexto, invocación dinámica de herramientas y lógica de decisiones configurable para razonamiento complejo de múltiples pasos. Con poco código, los equipos pueden automatizar tareas como QA, extracción de datos, orquestación de procesos y generación de informes.