CommNet es una biblioteca orientada a la investigación que implementa la arquitectura CommNet, permitiendo que múltiples agentes compartan estados ocultos en cada paso temporal y aprendan a coordinar acciones en entornos cooperativos. Incluye definiciones de modelos en PyTorch, scripts de entrenamiento y evaluación, envoltorios para entornos OpenAI Gym y utilidades para personalizar canales de comunicación, conteo de agentes y profundidades de red. Investigadores y desarrolladores pueden usar CommNet para prototipar y evaluar estrategias de comunicación entre agentes en tareas de navegación, persecución-salvación y recolección de recursos.

ePH-MAPF proporciona un flujo de trabajo eficiente para calcular rutas sin colisiones para decenas a centenas de agentes en mapas basados en cuadrícula. Utiliza heurísticas priorizadas, técnicas de búsqueda incremental y métricas de coste personalizables (Manhattan, Euclidiana) para equilibrar velocidad y calidad de la solución. Los usuarios pueden seleccionar diferentes funciones heurísticas, integrar la biblioteca en sistemas de robótica basados en Python, y evaluar el rendimiento en escenarios estándar de MAPF. El código es modular y bien documentado, permitiendo a investigadores y desarrolladores extenderlo para obstáculos dinámicos o entornos especializados.

Patrolling-Zoo ofrece un marco flexible que permite a los usuarios crear y experimentar con tareas de patrulla multi-agente en Python. La biblioteca incluye una variedad de entornos basados en cuadrícula y en gráfico, simulando escenarios de vigilancia, monitoreo y cobertura. Los usuarios pueden configurar el número de agentes, el tamaño del mapa, la topología, las funciones de recompensa y los espacios de observación. Gracias a la compatibilidad con PettingZoo y las API de Gym, soporta una integración fluida con algoritmos populares de aprendizaje por refuerzo. Este entorno facilita el benchmarking y la comparación de técnicas MARL en configuraciones coherentes. Al proporcionar escenarios estándar y herramientas para crear otros nuevos, Patrolling-Zoo acelera la investigación en robótica autónoma, vigilancia de seguridad, operaciones de búsqueda y rescate, y cobertura eficiente de áreas utilizando estrategias de coordinación multi-agente.

AgentServe proporciona una interfaz unificada para crear y desplegar agentes de IA. Los usuarios definen el comportamiento de los agentes en archivos de configuración o código, integran herramientas o fuentes de conocimiento externas y exponen agentes mediante endpoints REST. El marco gestiona el enrutamiento de modelos, solicitudes paralelas, chequeos de salud, registros y métricas. Su diseño modular permite añadir nuevos modelos, herramientas personalizadas o políticas de programación, siendo ideal para crear chatbots, flujos de trabajo automatizados y sistemas multiagente escalables y mantenibles.

A2A (Arquitectura de Agente a Agente) es un marco de código abierto de Google que permite el desarrollo y operación de agentes de IA distribuidos que trabajan juntos. Ofrece componentes modulares para definir roles de agentes, canales de comunicación y memoria compartida. Los desarrolladores pueden integrar diversos proveedores de LLM, personalizar comportamientos de agentes y orquestar flujos de trabajo de múltiples pasos. A2A incluye capacidades integradas de monitoreo, gestión de errores y repetición para rastrear las interacciones de los agentes. Al proporcionar un protocolo estandarizado para el descubrimiento de agentes, el paso de mensajes y la asignación de tareas, A2A simplifica patrones de coordinación complejos y mejora la fiabilidad al escalar aplicaciones basadas en agentes en diferentes entornos.

AI-Agents ofrece una arquitectura modular para definir y ejecutar agentes de IA basados en Python. Los desarrolladores pueden configurar comportamientos de agentes, integrar APIs o herramientas externas y gestionar la memoria de los agentes en sesiones múltiples. Utiliza LLMs populares, soporta colaboración multi-agente y permite extensiones mediante plugins para flujos de trabajo complejos como análisis de datos, soporte automatizado y asistentes personalizados.

Agents with ADK es un marco de Python de código abierto diseñado para simplificar la creación de agentes inteligentes impulsados por grandes modelos de lenguaje. Incluye plantillas de agentes modulares, gestión de memoria incorporada, interfaces de ejecución de herramientas y capacidades de coordinación multi-agente. Los desarrolladores pueden integrar rápidamente funciones personalizadas o API externas, configurar cadenas de planificación y razonamiento, y monitorizar las interacciones de los agentes. El marco soporta integración con proveedores LLM populares y ofrece funcionalidades de registro, lógica de reintento y extensibilidad para despliegues en producción.

AgentScope es un marco enfocado en desarrolladores diseñado para simplificar la creación de agentes inteligentes proporcionando componentes modulares para planificación dinámica, almacenamiento de memoria contextual e integración de herramientas/API. Soporta múltiples backends de LLM (OpenAI, Anthropic, Hugging Face) y ofrece pipelines personalizables para la ejecución de tareas, síntesis de respuestas y recuperación de datos. La arquitectura de AgentScope permite la creación rápida de bots conversacionales, agentes de automatización de flujos de trabajo, y asistentes de investigación, manteniendo la extensibilidad y escalabilidad.

CArtAgO (Common ARTifact Infrastructure for AGents Open environments) es un marco ligero y extensible para implementar infraestructuras de entornos en sistemas multi-agente. Introduce el concepto de artefactos: entidades de primera clase que representan recursos del entorno con operaciones definidas, propiedades observables y interfaces de eventos. Los desarrolladores definen tipos de artefactos en Java, los registran en clases de entorno, y exponen operaciones y eventos para su uso por parte de los agentes. Los agentes interactúan con los artefactos mediante acciones estándar (p.ej., createArtifact, observe), reciben notificaciones asíncronas de cambios de estado y se coordinan mediante recursos compartidos. CArtAgO se integra fácilmente con plataformas de agentes como Jason, JaCaMo, JADE y Spring Agent, facilitando el desarrollo de sistemas híbridos. El marco ofrece soporte incorporado para documentación de artefactos, carga dinámica y monitoreo en tiempo de ejecución, facilitando la creación rápida de prototipos de aplicaciones complejas basadas en agentes.

El entorno de búsqueda cooperativa proporciona un entorno de aprendizaje por refuerzo multiagente flexible y compatible con gym, diseñado para tareas de búsqueda cooperativa en espacios en cuadrícula discretos y continuos. Los agentes operan bajo observabilidad parcial y pueden compartir información basándose en topologías de comunicación personalizables. El marco soporta escenarios predefinidos como búsqueda y rescate, seguimiento de objetivos dinámicos y mapeo colaborativo, con API para definir entornos personalizados y estructuras de recompensa. Se integra a la perfección con bibliotecas RL populares como Stable Baselines3 y Ray RLlib, incluye utilidades de registro para análisis de rendimiento y herramientas de visualización integradas para monitoreo en tiempo real. Los investigadores pueden ajustar tamaños de cuadrículas, conteo de agentes, rangos de sensores y mecanismos de compartición de recompensas para evaluar estrategias de coordinación y probar nuevos algoritmos de manera efectiva.

cpp-langchain implementa funciones principales del ecosistema LangChain en C++. Los desarrolladores pueden envolver llamadas a modelos de lenguaje grandes, definir plantillas de solicitud, ensamblar cadenas y orquestar agentes que llaman a herramientas o API externas. Incluye módulos de memoria para mantener el estado de conversación, soporte para embeddings para búsqueda de similitudes e integraciones con bases de datos vectoriales. El diseño modular permite personalizar cada componente — clientes LLM, estrategias de solicitud, backends de memoria y kits de herramientas — para adaptarse a casos específicos. Con una biblioteca únicamente en cabecera y soporte de CMake, cpp-langchain simplifica la compilación de aplicaciones nativas de IA en Windows, Linux y macOS sin requerir entornos de Python.

Esquilax es un marco de trabajo ligero en TypeScript diseñado para construir y orquestar flujos complejos de agentes de IA. Brinda a los desarrolladores una API clara para definir agentes de manera declarativa, asignar módulos de memoria e integrar acciones personalizadas con plugins, como llamadas API o consultas a bases de datos. Con soporte incorporado para manejo de contexto y coordinación entre múltiples agentes, Esquilax simplifica la creación de chatbots, asistentes digitales y procesos automatizados. Su arquitectura basada en eventos permite encadenar tareas o desencadenarlas dinámicamente, mientras que las herramientas de registro y depuración ofrecen visibilidad total sobre las interacciones de los agentes. Al abstraer código repetitivo, Esquilax ayuda a los equipos a prototipar rápidamente aplicaciones escalables impulsadas por IA.

GPA-LM es un marco basado en Python diseñado para simplificar la creación y orquestación de agentes de IA impulsados por grandes modelos de lenguaje. Incluye un planificador que descompone instrucciones de alto nivel en subtareas, un ejecutor que gestiona llamadas a herramientas e interacciones, y un módulo de memoria que mantiene el contexto entre sesiones. La arquitectura de plugins permite a los desarrolladores añadir herramientas, APIs y lógica de decisión personalizadas. Con soporte de múltiples agentes, GPA-LM puede coordinar roles, distribuir tareas y agregar resultados. Se integra fácilmente con LLMs populares como OpenAI GPT y soporta despliegue en diversos entornos. El marco acelera el desarrollo de agentes autónomos para investigación, automatización y prototipado de aplicaciones.

HexaBot está diseñado para simplificar el desarrollo y despliegue de agentes autónomos inteligentes. Ofrece flujos de trabajo modulares que descomponen tareas complejas en pasos manejables, además de almacenes de memoria persistente para mantener el contexto entre sesiones. Los desarrolladores pueden conectar los agentes con APIs externas, bases de datos y servicios de terceros mediante un ecosistema de plugins. La monitorización en tiempo real y el registro permiten visibilidad del comportamiento del agente, mientras que los SDKs para Python y JavaScript facilitan la integración rápida en aplicaciones existentes. La infraestructura escalable de HexaBot soporta alta concurrencia y despliegues versionados para un uso confiable en producción.

LLM-Agent es un marco ligero y extensible para construir agentes de IA impulsados por grandes modelos de lenguaje. Proporciona abstracciones para memoria de conversación, plantillas de prompts dinámicas e integración fluida de herramientas o APIs personalizadas. Los desarrolladores pueden orquestar procesos de razonamiento en múltiples pasos, mantener estado a través de interacciones y automatizar tareas complejas como recuperación de datos, generación de informes y soporte de decisiones. Al combinar la gestión de memoria con el uso de herramientas y planificación, LLM-Agent facilita el desarrollo de agentes inteligentes y orientados a tareas en Python.

Multi-Agent es un kit de herramientas para desarrolladores que te ayuda a construir y orquestar múltiples agentes de IA que se ejecutan en paralelo. Cada agente mantiene su propio almacenamiento de memoria, configuración de prompt y cola de mensajes. Puedes definir comportamientos personalizados, establecer canales de comunicación entre agentes y delegar tareas automáticamente según los roles de los agentes. Aprovecha la API Chat de OpenAI para comprensión y generación del lenguaje, y ofrece componentes modulares para orquestación de flujos de trabajo, registro y manejo de errores. Esto permite crear agentes especializados, como asistentes de investigación, procesadores de datos o bots de soporte al cliente, que trabajan juntos en tareas multifacéticas.

Odyssey proporciona una arquitectura flexible para construir sistemas colaborativos de múltiples agentes. Incluye componentes clave como el Gestor de Tareas para definir y distribuir subtareas, Módulos de Memoria para almacenar el contexto y el historial de conversaciones, Controladores de Agentes para coordinar agentes potenciados por LLM y Gestores de Herramientas para integrar APIs externas o funciones personalizadas. Los desarrolladores pueden configurar flujos de trabajo mediante archivos YAML, seleccionar núcleos LLM preconstruidos (por ejemplo, GPT-4, modelos locales) y ampliar fácilmente con nuevas herramientas o módulos de memoria. Odyssey registra interacciones, soporta ejecución asíncrona de tareas y bucles de refinamiento iterativo, siendo ideal para investigación, prototipado y aplicaciones productivas con múltiples agentes.

OpenAI Agents MCP Server proporciona una base sólida para desplegar y gestionar agentes autónomos impulsados por modelos de OpenAI. Expone una API RESTful flexible para crear, configurar y controlar agentes, permitiendo a los desarrolladores orquestar tareas de múltiples pasos, coordinar interacciones entre agentes y mantener memoria persistente entre sesiones. El marco soporta integraciones de herramientas tipo plugin, registros avanzados de conversaciones y estrategias de planificación personalizables. Al abstraer las preocupaciones de infraestructura, MCP Server agiliza el proceso de desarrollo, facilitando prototipado rápido y despliegue escalable de asistentes conversacionales, automatización de flujos de trabajo y empleados digitales impulsados por IA en entornos de producción.

Universal Basic Compute ofrece un entorno unificado para diseñar, entrenar y desplegar agentes de IA en diversos flujos de trabajo. Los usuarios pueden escoger entre múltiples modelos de lenguaje grande, configurar almacenes de memoria personalizados para conciencia contextual, e integrar APIs y herramientas de terceros para ampliar funcionalidad. La plataforma gestiona automáticamente la orquestación, tolerancia a fallos y escalado, además de ofrecer paneles para monitoreo en tiempo real y análisis de desempeño. Al abstraer detalles de infraestructura, permite a los equipos centrarse en la lógica de los agentes y la experiencia del usuario, evitando complejidad de backend.

Autonomys Agents capacita a los desarrolladores para crear agentes de IA autónomos capaces de ejecutar tareas complejas sin intervención manual. Construido en Python, el marco proporciona herramientas para definir comportamientos de agentes, integrar APIs externas y funciones personalizadas, y mantener la memoria conversacional a través de interacciones. Los agentes pueden colaborar en configuraciones multi-agente, compartiendo conocimientos y coordinando acciones. Los módulos de observabilidad ofrecen registro en tiempo real, seguimiento del rendimiento y conocimientos para depuración. Con su arquitectura modular, los equipos pueden ampliar componentes principales, incorporar nuevos LLM y desplegar agentes en diferentes entornos. Ya sea automatizando soporte al cliente, realizando análisis de datos o coordinando flujos de trabajo de investigación, Autonomys Agents agiliza el desarrollo y gestión de sistemas inteligentes autónomos.