Este repositorio ofrece un marco multi-agente personalizable que simula un centro de llamadas de taxi. Define agentes de IA distintos: CustomerAgent para solicitar viajes, DispatchAgent para seleccionar conductores según proximidad, DriverAgent para confirmar asignaciones y actualizar estados, y NotificationAgent para facturación y mensajes. Los agentes interactúan a través de un ciclo de orquestación usando llamadas GPT de OpenAI y memoria, permitiendo diálogo asíncrono, manejo de errores y registros. Los desarrolladores pueden ampliar o adaptar las solicitudes de los agentes, integrar sistemas en tiempo real y prototipar flujos de trabajo de atención al cliente y despacho impulsados por IA con facilidad.

El Marco de Simulación de Agentes LLM permite diseñar, ejecutar y analizar entornos simulados donde agentes autónomos interactúan mediante grandes modelos de lenguaje. Los usuarios pueden registrar múltiples instancias de agentes, asignar instrucciones y roles personalizables, y especificar canales de comunicación como paso de mensajes o estado compartido. El marco coordina ciclos de simulación, recopila registros y calcula métricas como frecuencia de turnos, latencia de respuesta y tasas de éxito. Soporta integración sin problemas con OpenAI, Hugging Face y LLM locales. Los investigadores pueden crear escenarios complejos — negociaciones, asignación de recursos o resolución colaborativa de problemas — para observar comportamientos emergentes. La arquitectura de plugins extensible permite añadir nuevos comportamientos de agentes, restricciones del entorno o módulos de visualización, fomentando experimentos reproducibles.

AgenticIR (Agentic Information Retrieval) proporciona una estructura modular donde los agentes basados en LLM planifican y ejecutan flujos de trabajo de IR de manera autónoma. Permite definir roles de agentes — como generador de consultas, recuperador de documentos y resumidor — que se ejecutan en secuencias personalizables. Los agentes pueden obtener texto en bruto, refinar consultas en base a resultados intermedios y fusionar pasajes extraídos en resúmenes concisos. La estructura soporta pipelines de múltiples pasos, incluyendo búsqueda web iterativa, ingestión de datos vía API y análisis de documentos locales. Los desarrolladores pueden ajustar los parámetros de los agentes, integrar diferentes LLMs y personalizar políticas de comportamiento. AgenticIR también ofrece registro de logs, manejo de errores y ejecución paralela de agentes para acelerar la recopilación de información a gran escala. Con una configuración de código mínima, investigadores e ingenieros pueden prototipar e implementar sistemas de recuperación autónoma.

AgentFarm proporciona un marco completo para coordinar diversos agentes de IA en un sistema unificado. Los usuarios pueden programar comportamientos especializados de agentes en Python, asignar roles (gestor, trabajador, analizador) y crear colas de tareas para procesamiento en paralelo. Se integra perfectamente con los principales servicios LLM (OpenAI, Azure OpenAI), permitiendo enrutamiento dinámico de prompts y selección de modelos. El panel de control integrado rastrea el estado de los agentes, registra interacciones y visualiza el rendimiento del flujo de trabajo. Con plugins modulares para APIs personalizadas, los desarrolladores pueden ampliar funcionalidades, automatizar manejo de errores y monitorear la utilización de recursos. Ideal para desplegar pipelines de múltiples etapas, AgentFarm mejora la fiabilidad, escalabilidad y mantenibilidad en automatización impulsada por IA.

AI-Creator proporciona una arquitectura flexible para crear agentes de IA que puedan realizar tareas, interactuar mediante lenguaje natural y aprovechar herramientas externas. Incluye módulos para gestión de prompts, razonamiento en cadena, memoria de sesiones y pipelines personalizables. Los desarrolladores pueden definir comportamientos de agentes mediante configuraciones JSON sencillas o código, integrar APIs y bases de datos como herramientas y desplegar agentes como servicios web o aplicaciones CLI. El marco admite extensibilidad y modularidad, lo que lo hace ideal para prototipar chatbots, asistentes virtuales y trabajadores digitales especializados.

Flocking Multi-Agent proporciona una biblioteca modular para simular agentes autónomos que exhiben inteligencia de enjambre. Codifica comportamientos centrales de dirección: cohesión, separación y alineación, además de evitación de obstáculos y persecución de objetivos dinámicos. Utilizando Python y Pygame para visualización, permite ajustar parámetros como el radio del vecino, velocidad máxima y fuerza de giro. Soporta extensibilidad mediante funciones personalizadas de comportamiento y ganchos de integración para plataformas robóticas o motores de juego. Ideal para experimentación en IA, robótica, desarrollo de juegos e investigación académica, demostrando cómo reglas locales simples conducen a formaciones globales complejas.