LLM State Machine es un marco de Python de código abierto diseñado para construir agentes de IA usando máquinas de estado explícitas. Los desarrolladores definen estados como pasos discretos, cada uno invocando un gran modelo de lenguaje o lógica personalizada, y transiciones basadas en salidas. Este enfoque proporciona claridad, mantenibilidad y manejo robusto de errores para flujos de trabajo con múltiples pasos alimentados por LLM, como procesamiento de documentos, bots conversacionales o pipelines de automatización.

Modus es un framework enfocado en desarrolladores que simplifica la creación de agentes de IA proporcionando componentes básicos para la integración de LLM, almacenamiento de memoria y orquestación de herramientas. Admite bibliotecas de herramientas basadas en plugins, permitiendo que los agentes realicen tareas como recuperación de datos, análisis y ejecución de acciones. Con módulos de memoria integrados, los agentes pueden mantener el contexto de conversación y aprender durante las interacciones. Su arquitectura extensible acelera el desarrollo y despliegue de IA en diversas aplicaciones.

MultiAgent-Systems-StarCraft2-PySC2-Raw ofrece un conjunto completo de herramientas para desarrollar, entrenar y evaluar múltiples agentes de IA en StarCraft II. Expone controles a bajo nivel para movimiento de unidades, objetivos y habilidades, permitiendo además una configuración flexible de recompensas y escenarios. Los usuarios pueden integrar fácilmente arquitecturas neuronales personalizadas, definir estrategias de coordinación en equipo y grabar métricas. Basado en PySC2, soporta entrenamiento paralelo, creación de puntos de control y visualización, siendo ideal para avanzar en la investigación en aprendizaje por refuerzo con múltiples agentes tanto cooperativos como adversarios.

Trainable Agents está diseñado como un conjunto de herramientas modular y extensible para el desarrollo rápido y entrenamiento de agentes de IA impulsados por modelos de lenguaje grande de última generación. El marco abstrae componentes clave como entornos de interacción, interfaces de políticas y bucles de retroalimentación, permitiendo a los desarrolladores definir tareas, suministrar demostraciones e implementar funciones de recompensa fácilmente. Con soporte integrado para OpenAI GPT y Anthropic Claude, la biblioteca facilita la reproducción de experiencia, entrenamiento por lotes y evaluación de rendimiento. Trainable Agents también incluye utilidades para registro, seguimiento de métricas y exportación de políticas entrenadas para despliegue. Ya sea creando chatbots conversacionales, automatizando flujos de trabajo o realizando investigaciones, este marco agiliza todo el ciclo desde el prototipo hasta la producción en un paquete unificado en Python.

Coffee-Shop-AI-Agents es un marco de código abierto para construir y desplegar agentes de IA especializados que automatizan funciones clave en cafeterías. Aprovechando LangChain y modelos de OpenAI, el proyecto proporciona agentes modulares, incluyendo un agente barista que maneja pedidos complejos, ofrece recomendaciones de personalización y gestiona la disponibilidad de ingredientes. El agente cajero procesa pagos, emite recibos digitales y rastrea métricas de ventas. Un agente gerente genera previsiones de inventario, sugiere programas de reabastecimiento y analiza datos de rendimiento. Con prompts y configuraciones de pipeline personalizables, los desarrolladores pueden adaptar rápidamente estos agentes a las políticas y menús específicos de la tienda. El repositorio incluye scripts de configuración, integraciones API y workflows de ejemplo para simular interacciones con clientes realistas y análisis operativos en un entorno amigable para desarrolladores.

El ejemplo de agentes LLM proporciona una base de código práctica para construir agentes de IA en Python. Demuestra cómo registrar herramientas personalizadas (búsqueda web, solucionador matemático mediante WolframAlpha, analizador CSV, REPL de Python), crear agentes de chat y basados en recuperación, y conectar con almacenamientos vectoriales para responder preguntas de documentos. El repositorio ilustra patrones para mantener la memoria de la conversación, despachar dinámicamente llamadas a herramientas y encadenar múltiples prompts de LLM para resolver tareas complejas. Los usuarios aprenden a integrar APIs de terceros, estructurar flujos de trabajo de agentes y ampliar el marco con nuevas capacidades; todo ello como una guía práctica para experimentación y prototipado por desarrolladores.

pyafai es una biblioteca de Python de código abierto que ayuda a los desarrolladores a diseñar, configurar y ejecutar agentes de IA autónomos. Ofrece módulos acoplables para gestión de memoria para mantener el contexto, integración de herramientas para llamadas a APIs externas, observadores para monitoreo del entorno, planificadores para toma de decisiones y un orquestador para gestionar los bucles de los agentes. Las funciones de registro y monitoreo proporcionan visibilidad del rendimiento y comportamiento del agente. pyafai admite principales proveedores de LLM, permite crear módulos personalizados y reduce la necesidad de código repetitivo para que los equipos puedan prototipar rápidamente asistentes virtuales, bots de investigación y flujos de trabajo de automatización con control completo sobre cada componente.

X AI Agent ofrece una arquitectura modular para la construcción de agentes inteligentes. Soporta integración fluida con herramientas y APIs externas, módulos de memoria configurables y orquestación multi-LLM. Los desarrolladores pueden definir habilidades personalizadas, conectores de herramientas y flujos de trabajo en el código, para desplegar agentes que recuperan datos, generan contenido, automatizan procesos y manejan diálogos complejos de forma autónoma.

Los Agentes Económicos Autónomos (AEA) de Fetch.ai son un marco versátil que permite a los desarrolladores diseñar, implementar y orquestar agentes de software autónomos capaces de interactuar entre sí, con entornos externos y con registros digitales. Aprovechando una arquitectura basada en plugins, AEA proporciona módulos preconstruidos para protocolos de comunicación, APIs de libros mayores criptográficos, identidad descentralizada y habilidades de toma de decisiones personalizables. Los agentes pueden descubrir y realizar transacciones en mercados descentralizados, realizar comportamientos dirigidos a objetivos y adaptarse mediante flujos de datos en tiempo real. El marco soporta herramientas de simulación para probar y depurar escenarios multi-agente, así como desplegar en blockchains en vivo o redes peer-to-peer. Con interoperabilidad incorporada y mensajería entre agentes, AEA simplifica el desarrollo de aplicaciones económicas autónomas complejas, como comercio de energía, optimización de cadenas de suministro y coordinación inteligente en IoT.

HFO_DQN combina Python y TensorFlow para ofrecer un pipeline completo para entrenar agentes de fútbol usando Deep Q-Networks. Los usuarios pueden clonar el repositorio, instalar dependencias incluyendo el simulador HFO y bibliotecas Python, y configurar los parámetros de entrenamiento en archivos YAML. El marco implementa reproducción de experiencias, actualizaciones del red objetivo, exploración epsilon-greedy y modelado de recompensas adaptado al dominio de ofensiva de medio campo. Incluye scripts para entrenamiento de agentes, registro de rendimiento, partidas de evaluación y visualización de resultados. La estructura modular permite integrar arquitecturas de redes neuronales personalizadas, algoritmos RL alternativos y estrategias de coordinación multiagente. Las salidas incluyen modelos entrenados, métricas de rendimiento y visualizaciones del comportamiento, facilitando investigaciones en aprendizaje por refuerzo y sistemas multiagente.