Acme es un marco basado en Python que simplifica el desarrollo y la evaluación de agentes de aprendizaje por refuerzo. Ofrece una colección de implementaciones predefinidas de agentes (por ejemplo, DQN, PPO, SAC), envoltorios de entornos, buffers de repetición y motores de ejecución distribuidos. Los investigadores pueden combinar componentes para prototipar nuevos algoritmos, monitorear métricas de entrenamiento con registro incorporado y aprovechar pipelines distribuidos escalables para experimentos a gran escala. Acme se integra con TensorFlow y JAX, soporta entornos personalizados mediante interfaces OpenAI Gym, y incluye utilidades para guardar, evaluar y configurar hiperparámetros.

Autonomais es un marco modular de agentes IA diseñado para una autonomía completa en la planificación y ejecución de tareas. Integra grandes modelos de lenguaje para generar planes, orquesta acciones mediante una canalización personalizable y almacena el contexto en módulos de memoria para razonamiento coherente de múltiples pasos. Los desarrolladores pueden conectar herramientas externas como scrapers web, bases de datos y APIs, definir manejadores de acciones personalizados y ajustar el comportamiento del agente a través de habilidades configurables. El marco soporta registro, manejo de errores y depuración paso a paso, garantizando una automatización confiable de tareas de investigación, análisis de datos e interacciones web. Con su arquitectura extensible basada en plugins, Autonomais permite el desarrollo rápido de agentes especializados capaces de tomar decisiones complejas y utilizar herramientas de forma dinámica.

Shepherding es un marco de simulación de código abierto diseñado para investigadores y desarrolladores de aprendizaje por refuerzo para estudiar e implementar tareas de pastoreo con múltiples agentes. Proporciona un entorno compatible con Gym donde los agentes pueden aprender a realizar comportamientos como rodear, recopilar y dispersar grupos objetivo en espacios continuos o discretos. El marco incluye funciones modulares de configuración de recompensas, parametrización del entorno y utilidades de registro para monitorear el rendimiento del entrenamiento. Los usuarios pueden definir obstáculos, poblaciones dinámicas de agentes y políticas personalizadas usando TensorFlow o PyTorch. Los scripts de visualización generan gráficos de trayectorias y grabaciones de videos de interacciones de agentes. La arquitectura modular de Shepherding permite una integración sin problemas con bibliotecas RL existentes, permitiendo experimentos reproducibles, benchmarking de estrategias de coordinación novedosas y desarrollo rápido de soluciones de pastoreo basadas en IA.