Functionary proporciona una forma declarativa de registrar herramientas personalizadas: funciones de JavaScript que encapsulan llamadas API, consultas a bases de datos o lógica empresarial. Envuelve la interacción con LLM para analizar las solicitudes del usuario, determinar qué herramientas ejecutar y analizar las salidas de las herramientas para devolver respuestas conversacionales. El framework soporta memoria, manejo de errores y encadenamiento de acciones, ofreciendo hooks para pre y post procesamiento. Los desarrolladores pueden crear rápidamente agentes capaces de orquestar funciones dinámicamente sin código boilerplate, mejorando el control sobre los flujos de trabajo impulsados por IA.

InfantAgent ofrece una estructura ligera para diseñar y desplegar agentes inteligentes en Python. Se integra con LLMs populares (OpenAI, Hugging Face), soporta módulos de memoria persistente y permite cadenas de herramientas personalizadas. De serie, incluye una interfaz conversacional, orquestación de tareas y toma de decisiones basada en políticas. La arquitectura de plugins del marco permite una fácil extensión para herramientas y APIs específicas del dominio, ideal para prototipar agentes de investigación, automatizar flujos de trabajo o integrar asistentes IA en aplicaciones.

Nestor proporciona una arquitectura modular para ensamblar agentes IA que mantienen el estado de la conversación, invocan herramientas externas y personalizan las pipelines de procesamiento. Las características principales incluyen almacenes de memoria basados en sesiones, un registro para funciones o plugins de herramientas, plantillas de prompts flexibles e interfaces unificadas para clientes LLM. Los agentes pueden ejecutar tareas secuenciales, realizar ramificaciones de decisiones e integrarse con APIs REST o scripts locales. Nestor no depende de un framework específico, permitiendo a los usuarios trabajar con OpenAI, Azure u otros proveedores de LLM autohospedados.

Labs es un lenguaje específico del dominio de código abierto y embebible, diseñado para definir y ejecutar agentes de IA utilizando modelos de lenguaje grandes. Proporciona constructos para declarar indicaciones, gestionar contexto, bifurcar condicionalmente e integrar herramientas externas (por ejemplo, bases de datos, APIs). Con Labs, los desarrolladores describen los flujos de trabajo de los agentes como código, orquestando tareas en múltiples pasos como recuperación de datos, análisis y generación. El marco compila scripts DSL en pipelines ejecutables que pueden correr localmente o en producción. Labs soporta REPL interactivo, herramientas de línea de comandos y se integra con proveedores estándar de LLM. Su arquitectura modular permite extensiones fáciles con funciones y utilidades personalizadas, fomentando prototipado rápido y desarrollo de agentes mantenible. Su runtime ligero asegura baja sobrecarga y una integración transparente en aplicaciones existentes.

En su núcleo, LionAGI ofrece una arquitectura modular para definir y ejecutar etapas de tareas dependientes, dividiendo problemas complejos en componentes lógicos que se pueden procesar secuencial o paralelamente. Cada etapa puede aprovechar un prompt personalizado, almacenamiento de memoria y lógica de decisión para adaptar el comportamiento según los resultados anteriores. Los desarrolladores pueden integrar cualquier API LLM soportada o modelos autohospedados, configurar espacios de observación y definir mapeos de acciones para crear agentes que planifican, razonan y aprenden en múltiples ciclos. Herramientas integradas de registro, recuperación de errores y análisis permiten monitoreo en tiempo real y refinamiento iterativo. Ya sea para automatizar flujos de investigación, generar informes o orquestrar procesos autónomos, LionAGI acelera la creación de agentes inteligentes y adaptables con mínimo código repetido.

Los agentes de IA potenciados por LLM están diseñados para agilizar la creación de agentes autónomos al orquestar grandes modelos de lenguaje y herramientas externas mediante una arquitectura modular. Los desarrolladores pueden definir herramientas personalizadas con interfaces estandarizadas, configurar backend de memoria para mantener el estado y establecer cadenas de razonamiento de varias etapas que utilizan prompts LLM para planificar y ejecutar tareas. El módulo AgentExecutor gestiona la invocación de herramientas, manejo de errores y flujos de trabajo asincrónicos, mientras que los modelos de plantilla ilustran escenarios reales como extracción de datos, soporte al cliente y asistentes de programación, acelerando el desarrollo. Al abstraer llamadas API, ingeniería de prompts y gestión de estado, el marco reduce código repetitivo y acelera experimentos, siendo ideal para equipos que construyen soluciones de automatización inteligente personalizadas en Python.

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.

Local LLM con llamadas a funciones permite a los desarrolladores crear agentes de IA que funcionan completamente en hardware local, eliminando preocupaciones de privacidad de datos y dependencias en la nube. El marco incluye código de ejemplo para integrar LLMs locales como LLaMA, GPT4All u otros modelos de peso abierto, y demuestra cómo configurar esquemas de funciones que el modelo puede invocar para realizar tareas como obtener datos, ejecutar comandos shell o interactuar con API. Los usuarios pueden ampliar el diseño definiendo endpoints de funciones personalizadas, ajustando indicaciones y gestionando respuestas de funciones. Esta solución ligera simplifica la creación de asistentes de IA offline, chatbots y herramientas de automatización para una amplia gama de aplicaciones.

Camel AI es un marco de código abierto diseñado para simplificar la creación y orquestación de agentes inteligentes. Ofrece abstracciones para encadenar grandes modelos de lenguaje, integrar herramientas y APIs externas, gestionar gráficos de conocimiento y persistir memoria. Los desarrolladores pueden definir flujos de trabajo multi-agente, descomponer tareas en subplanes y monitorear la ejecución mediante CLI o interfaz web. Basado en Python y Docker, Camel AI permite intercambiar sin problemas proveedores LLM, plugins de herramientas personalizados y estrategias de planificación híbridas, acelerando el desarrollo de asistentes automatizados, pipelines de datos y flujos de trabajo autónomos a gran escala.

Notte es un marco de Python centrado en el desarrollador, diseñado para orquestar agentes de IA impulsados por grandes modelos de lenguaje. Ofrece módulos de memoria integrados para almacenar y recuperar el contexto de la conversación, integración flexible de herramientas para APIs externas o funciones personalizadas, y un motor de planificación que secuencia las tareas. Con Notte, puedes prototipar rápidamente asistentes conversacionales, bots de análisis de datos o flujos de trabajo automatizados, beneficiándote además de la extensibilidad de código abierto y soporte multiplataforma.

Playbooks AI es un marco para desarrolladores para construir agentes de IA mediante un DSL declarativo de playbooks. Permite la integración con varios LLM, herramientas personalizadas y almacenes de memoria. Con CLI y UI web, los usuarios pueden definir el comportamiento del agente, orquestar flujos de trabajo de múltiples pasos y monitorizar la ejecución. Las características incluyen enrutamiento de herramientas, memoria con estado, control de versiones, analíticas y colaboración multi-agente, facilitando la creación de prototipos y el despliegue de asistentes de IA listos para producción.

AgentSea AI Hub es una plataforma y marco de IA robustos que optimizan el desarrollo y gestión de agentes de extremo a extremo. Incluye un constructor visual de arrastrar y soltar para crear perfiles, flujos de conversación y habilidades personalizadas sin necesidad de conocimientos profundos de programación. Los desarrolladores pueden integrar APIs externas, bases de conocimiento y bases de datos, mientras que el módulo de gestión de memoria incorporado mantiene el contexto en sesiones. La plataforma soporta despliegue en múltiples canales, incluyendo web, móvil, chat, voz y correo electrónico, asegurando interacciones fluidas con el usuario. La supervisión de rendimiento en detalle, pruebas A/B y control de versiones permiten mejoras continuas. Con controles de acceso basados en roles y espacios de trabajo colaborativos, los equipos pueden coordinar proyectos complejos de agentes. AgentSea AI Hub acelera la creación de trabajadores digitales, automatiza tareas repetitivas y mejora la participación del cliente mediante automatización inteligente.

SmolAgents Dynamic Tools amplía el marco Python de código abierto SmolAgents para dotar a los agentes basados en LLM de la capacidad de invocar herramientas dinámicamente. Los agentes pueden llamar sin problemas a diversas herramientas predefinidas — como búsqueda web mediante SerpAPI, calculadoras matemáticas, recuperación de fecha y hora, operaciones en el sistema de archivos y manejadores de solicitudes HTTP personalizados — según la intención del usuario y cadenas de razonamiento. Los desarrolladores pueden registrar herramientas adicionales o personalizar las existentes, permitiendo que los agentes manejen recuperación de datos, creación de contenido, cálculo e integración de API externas usando una interfaz unificada. Al evaluar la disponibilidad de herramientas en tiempo real, SmolAgents Dynamic Tools optimiza los flujos de trabajo, reduce la lógica codificada y mejora la modularidad en diversos escenarios como asistencia en investigaciones, generación automática de informes y expansión de chatbots.

Taiga es un marco de IA de código abierto basado en Python diseñado para agilizar la creación, orquestación y despliegue de agentes autónomos con grandes modelos de lenguaje (LLM). El marco incluye un sistema de plugins flexible para integrar herramientas personalizadas y APIs externas, un módulo de memoria configurable para gestionar el contexto conversacional a corto y largo plazo, y un mecanismo de encadenamiento de tareas para secuenciar flujos de trabajo de múltiples pasos. Taiga también ofrece registro integrado, métricas y manejo de errores para preparación en producción. Los desarrolladores pueden crear rápidamente agentes con plantillas, ampliar funciones vía SDK y desplegar en múltiples plataformas. Al abstraer la lógica compleja de orquestación, Taiga permite a los equipos centrarse en construir asistentes inteligentes que investigan, planifican y ejecutan acciones sin intervención manual.

AgentSpeak es una implementación de código abierto en Java del lenguaje de programación AgentSpeak(L), diseñada para facilitar la creación y gestión de agentes autónomos BDI (Creencias-Deseos-Intenciones). Cuenta con un entorno de ejecución que analiza el código AgentSpeak(L), mantiene las bases de creencias de los agentes, dispara eventos y selecciona y ejecuta planes basados en las creencias y objetivos actuales. El intérprete soporta ejecución concurrente de agentes, actualizaciones dinámicas de planes y semánticas personalizables. Con una arquitectura modular, los programadores pueden extender componentes centrales como la selección de planes y la revisión de creencias. AgentSpeak permite a académicos e industriales prototipar, simular y desplegar agentes inteligentes en simulaciones, sistemas IoT y escenarios multi-agente.

DataEnvGym proporciona una colección de entornos modulares y personalizables construidos sobre la API Gym para facilitar la investigación en aprendizaje por refuerzo en dominios impulsados por datos. Los investigadores y ingenieros pueden seleccionar entre tareas integradas como limpieza de datos, ingeniería de características, programación por lotes y análisis en streaming. El marco soporta una integración perfecta con bibliotecas RL populares, métricas de evaluación estandarizadas y herramientas de registro para seguir el rendimiento de los agentes. Los usuarios pueden extender o combinar entornos para modelar pipelines de datos complejos y evaluar algoritmos bajo restricciones realistas.

ElizaOS proporciona un conjunto robusto de herramientas para diseñar, probar y desplegar agentes IA autónomos dentro de proyectos en TypeScript. Los desarrolladores definen personalidades, metas y jerarquías de memoria de los agentes, luego aprovechan el sistema de planificación de ElizaOS para delinear flujos de tarea. Su arquitectura modular de conectores facilita la integración con plataformas de comunicación—Discord, Telegram, Slack, X—y redes blockchain via adaptadores Web3. ElizaOS soporta múltiples backend de LLM (OpenAI, Anthropic, Llama, Gemini), permitiendo cambiar sin problemas entre modelos. El soporte de plugins amplía la funcionalidad con habilidades personalizadas, registro y características de observabilidad. A través de su CLI y SDK, los equipos pueden iterar sobre configuraciones de agentes, monitorear el rendimiento en vivo y escalar despliegues en entornos cloud o en local. ElizaOS capacita a las empresas para automatizar interacciones con clientes, engagement en redes sociales y procesos comerciales con trabajadores digitales autónomos.

Java-Action-Shape es una biblioteca de acciones dedicada diseñada para ampliar el marco multiagente LightJason con capacidades geométricas avanzadas. Proporciona a los agentes acciones listas para usar para instanciar formas comunes (círculo, rectángulo, polígono), aplicar transformaciones (trasladar, rotar, escalar) y realizar cálculos analíticos (área, perímetro, centroide). Cada acción es segura para hilos y se integra con el modelo de ejecución asíncrona de LightJason, garantizando procesamiento paralelo eficiente. Los desarrolladores pueden definir formas personalizadas especificando vértices y aristas, registrarlas en el registro de acciones del agente e incluirlas en las definiciones de planes. Centralizando la lógica relacionada con formas, Java-Action-Shape reduce el código repetitivo, garantiza APIs coherentes y agiliza la creación de aplicaciones dirigidas por la geometría, desde simulaciones hasta herramientas educativas.

LemLab es un marco modular para el desarrollo de agentes de IA impulsados por grandes modelos de lenguaje. Los desarrolladores pueden definir plantillas de prompts personalizadas, encadenar pipelines de razonamiento de múltiples pasos, integrar herramientas y APIs externas, y configurar backends de memoria para almacenar el contexto de conversaciones. También incluye suites de evaluación para comparar el rendimiento de los agentes en tareas específicas. Al proporcionar componentes reutilizables y abstracciones claras para agentes, herramientas y memoria, LemLab acelera la experimentación, la depuración y la implementación de aplicaciones complejas de LLM en entornos de investigación y producción.

El Agente MCP proporciona una base sólida para construir asistentes inteligentes impulsados por IA, ofreciendo componentes modulares para integrar modelos de lenguaje, herramientas personalizadas y fuentes de datos. Sus funcionalidades principales incluyen la invocación dinámica de herramientas según las intenciones del usuario, gestión de memoria contextual para conversaciones a largo plazo y un sistema de plugins flexible que simplifica la ampliación de capacidades. Los desarrolladores pueden definir pipelines para procesar entradas, activar APIs externas y gestionar workflows asíncronos, todo manteniendo registros y métricas transparentes. Con soporte para modelos LLM populares, plantillas configurables y controles de acceso basados en roles, el Agente MCP agiliza el despliegue de agentes de IA escalables y mantenibles en entornos de producción. Ya sea para chatbots de atención al cliente, bots de RPA o asistentes de investigación, el Agente MCP acelera los ciclos de desarrollo y garantiza un rendimiento coherente en todos los casos de uso.