negotiation_agent proporciona un conjunto de herramientas modular para construir bots de negociación autónomos impulsados por modelos similares a GPT. Los desarrolladores pueden especificar escenarios de negociación definiendo elementos, preferencias y funciones de utilidad para modelar los objetivos del agente. El marco incluye plantillas predefinidas de agentes y permite integrar estrategias personalizadas, abarcando generación de ofertas, evaluación de contraofertas, decisiones de aceptación y cierre de acuerdos. Gestiona los flujos de diálogo mediante protocolos estandarizados, soporta simulaciones en lotes para experimentos estilo torneo y calcula métricas de rendimiento como tasa de acuerdo, ganancias de utilidad y puntuaciones de equidad. La arquitectura abierta facilita cambiar los backends LLM subyacentes y extender la lógica del agente a través de plugins. Con negotiation_agent, los equipos pueden crear rápidamente prototipos y evaluar soluciones de negociación automatizada en comercio electrónico, investigación y entornos educativos.

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.

El Agente de IA de Azul es una solución especializada para la competición del juego de mesa Azul. Implementado en Python, modela el estado del juego, aplica búsqueda Minimax para poda determinista y utiliza Exploración en Árbol Monte Carlo para explorar resultados estocásticos. El agente emplea heurísticas personalizadas para evaluar las posiciones del tablero, priorizando patrones de colocación de fichas que generan muchos puntos. Soporta modo torneo individual, simulaciones por lotes y registro de resultados para análisis de rendimiento. Los usuarios pueden ajustar los parámetros del algoritmo, integrar en entornos de juego personalizados y visualizar árboles de decisión para entender las selecciones de movimiento.