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.

HMAS es un marco de trabajo de código abierto en Python que permite el desarrollo de sistemas jerárquicos de múltiples agentes. Ofrece abstracciones para definir jerarquías de agentes, protocolos de comunicación entre agentes, integración de entornos y ciclos de entrenamiento incorporados. Investigadores y desarrolladores pueden usar HMAS para prototipar interacciones complejas entre agentes, entrenar políticas coordinadas y evaluar el rendimiento en entornos simulados. Su diseño modular facilita extender y personalizar agentes, entornos y estrategias de entrenamiento.

MultiAgentPuzzleSolver proporciona un entorno modular donde agentes de IA independientes trabajan juntos para resolver rompecabezas como fichas deslizantes, Cubo de Rubik y cuadrículas lógicas. Los agentes comparten información de estado, negocian asignaciones de subtareas y aplican diversas heurísticas para explorar el espacio de soluciones más eficazmente que los enfoques de un solo agente. Los desarrolladores pueden integrar nuevos comportamientos de agentes, personalizar protocolos de comunicación y añadir definiciones de rompecabezas. El marco incluye herramientas para visualización en tiempo real, recopilación de métricas de rendimiento y automatización de experimentos. Es compatible con Python 3.8+, bibliotecas estándar y conjuntos de herramientas ML populares para una integración fluida en proyectos de investigación.