Este proyecto demuestra un marco integral para crear agentes de IA aumentados con recuperación usando LlamaIndex. Guía a los desarrolladores a través de todo el flujo de trabajo, comenzando con la ingestión de documentos y la creación del almacén vectorial, seguido de la definición de un ciclo de agente personalizado para preguntas y respuestas contextuales. Aprovechando las poderosas capacidades de indexación y recuperación de LlamaIndex, los usuarios pueden integrar cualquier modelo de lenguaje compatible con OpenAI, personalizar plantillas de prompts y gestionar los flujos de conversación mediante una interfaz CLI. La arquitectura modular soporta diferentes conectores de datos, extensiones de plugins y personalización dinámica de respuestas, permitiendo crear prototipos rápidos de asistentes de conocimiento a nivel empresarial, chatbots interactivos y herramientas de investigación. Esta solución simplifica la construcción de agentes de IA específicos de dominio en Python, asegurando escalabilidad, flexibilidad y fácil integración.

Multi-Agent-RAG proporciona un marco modular para construir aplicaciones de generación aumentada por recuperación (RAG) mediante la orquestación de múltiples agentes de IA especializados. Los desarrolladores configuran agentes individuales: un agente de recuperación que se conecta a almacenes vectoriales para obtener documentos relevantes; un agente de razonamiento que realiza análisis de cadena de pensamientos; y un agente de generación que sintetiza respuestas finales usando modelos de lenguaje grandes. El marco soporta extensiones mediante plugins, prompts configurables y un registro completo, permitiendo una integración sencilla con las APIs de LLM populares y bases de datos vectoriales para mejorar la precisión, escalabilidad y eficiencia del desarrollo en RAG.

ChainLite simplifica la creación de agentes de IA abstraiendo la complejidad de la orquestación de LLM en módulos de cadenas reutilizables. Usando decoradores de Python simples y archivos de configuración, los desarrolladores definen comportamientos de agentes, interfaces de herramientas y estructuras de memoria. El framework se integra con proveedores LLM populares (OpenAI, Cohere, Hugging Face) y fuentes de datos externas (APIs, bases de datos), permitiendo que los agentes obtengan información en tiempo real. Con una UI integrada basada en navegador, potenciada por Streamlit, los usuarios pueden inspeccionar el historial de conversaciones a nivel de tokens, depurar prompts y visualizar gráficos de ejecución de cadenas. ChainLite soporta múltiples objetivos de despliegue, desde desarrollo local hasta contenedores de producción, facilitando una colaboración fluida entre científicos de datos, ingenieros y equipos de producto.

Minerva es un marco de agentes AI extensible diseñado para automatizar flujos de trabajo complejos utilizando grandes modelos de lenguaje. Los desarrolladores pueden integrar herramientas externas, como búsquedas web, llamadas a API o procesadores de archivos, definir estrategias de planificación personalizadas y gestionar memoria conversacional o persistente. Minerva soporta ejecución de tareas tanto sincrónica como asincrónicamente, registro configurable y una arquitectura de plugins, facilitando la creación de prototipos, pruebas y despliegues de agentes inteligentes capaces de razonar, planear y usar herramientas en escenarios del mundo real.

Pacman AI ofrece un entorno y un marco de agentes totalmente funcional en Python para el clásico juego de Pacman. El proyecto implementa algoritmos clave de aprendizaje por refuerzo—Q-learning e iteración de valores—para permitir que el agente aprenda políticas óptimas para la recolección de píldoras, navegación en laberintos y evasión de fantasmas. Los usuarios pueden definir funciones de recompensa personalizadas y ajustar hiperparámetros como la tasa de aprendizaje, factor de descuento y estrategia de exploración. El marco soporta registro de métricas, visualización del rendimiento y configuraciones reproducibles de experimentos. Está diseñado para facilitar su extensión, permitiendo a investigadores y estudiantes integrar nuevos algoritmos o enfoques de aprendizaje con redes neuronales y compararlos con métodos de cuadrícula tradicionales dentro del dominio de Pacman.

Real-Agents está diseñado para simplificar la creación y orquestación de agentes impulsados por IA que pueden realizar tareas complejas de manera autónoma. Construido en Python y compatible con los principales modelos de lenguaje grande, el marco presenta un diseño modular que comprende componentes centrales para la comprensión del lenguaje, razonamiento, almacenamiento de memoria y ejecución de herramientas. Los desarrolladores pueden integrar rápidamente servicios externos como APIs web, bases de datos y funciones personalizadas para ampliar las capacidades del agente. Real-Agents soporta mecanismos de memoria para mantener el contexto a través de las interacciones, permitiendo conversaciones de múltiples turnos y flujos de trabajo de larga duración. La plataforma también incluye utilidades para registro, depuración y escalado de agentes en entornos de producción. Al abstraer detalles de bajo nivel, Real-Agents optimiza el ciclo de desarrollo, permitiendo que los equipos se concentren en la lógica específica de tareas y entreguen soluciones automatizadas potentes.

TexasHoldemAgent proporciona un entorno modular basado en Python para entrenar, evaluar y desplegar un jugador de póker alimentado por IA para Texas Hold’em límite en heads-up. Integra un motor de simulación personalizado con algoritmos de aprendizaje por refuerzo profundo, incluido DQN, para una mejora iterativa de políticas. Las capacidades clave incluyen codificación del estado de la mano, definición del espacio de acción ( fold, call, raise ), configuración de recompensas y evaluación en tiempo real de decisiones. Los usuarios pueden personalizar los parámetros de aprendizaje, aprovechar la aceleración CPU/GPU, monitorear el progreso del entrenamiento y cargar o guardar modelos entrenados. El marco soporta simulaciones en lote para probar estrategias diversas, generar métricas de rendimiento y visualizar tasas de victoria, permitiendo a investigadores, desarrolladores y entusiastas del póker experimentar con estrategias de juego impulsadas por IA.