Vocode es una biblioteca de código abierto diseñada para simplificar la creación de aplicaciones basadas en voz utilizando IA. Ofrece herramientas y servicios para automatizar tanto las llamadas entrantes como salientes a través de APIs. Los desarrolladores pueden construir sofisticados bots de voz integrando capacidades de reconocimiento de voz, IA/NLU y síntesis de voz. La plataforma está optimizada para la flexibilidad, permitiendo un fácil cambio entre varios proveedores de STT, TTS y LLM. Vocode está diseñado especialmente para hacer que la integración de centros de llamadas impulsados por IA en sistemas existentes sea sencilla y eficiente.

NaturalAgents es una biblioteca de Python de código abierto diseñada para agilizar la creación y despliegue de agentes impulsados por LLM. Proporciona módulos para gestión de memoria, seguimiento de contexto e integración de herramientas, permitiendo que los agentes almacenen y recuperen información durante sesiones prolongadas. Un planificador jerárquico coordina razonamiento y acciones de múltiples pasos, mientras que un sistema de extensiones soporta plugins personalizados y llamadas a API externas. La registro y análisis integrados permiten a los desarrolladores monitorear el rendimiento de los agentes y depurar los flujos de trabajo. NaturalAgents soporta ejecuciones tanto sincrónicas como asincrónicas, haciéndolo flexible para casos interactivos y canalizaciones automatizadas.

Agentic Workflow es un marco declarativo que permite a los desarrolladores definir flujos de trabajo de IA complejos mediante la cadena de múltiples agentes basados en LLM, cada uno con roles, prompts y lógica de ejecución personalizables. Ofrece soporte incorporado para orquestación de tareas, gestión de estado, manejo de errores e integraciones de plugins, permitiendo una interacción fluida entre agentes y herramientas externas. La biblioteca utiliza Python y configuraciones en YAML para abstraer las definiciones de agentes, soporta flujos de ejecución asíncronos y ofrece extensibilidad mediante conectores y plugins personalizados. Como proyecto de código abierto, incluye ejemplos detallados, plantillas y documentación para ayudar a los equipos a acelerar el desarrollo y mantener ecosistemas de agentes de IA complejos.

CrewAI-Learning es una biblioteca de código abierto diseñada para agilizar proyectos de aprendizaje por refuerzo multiagente. Ofrece estructura de entornos, definiciones modulares de agentes, funciones de recompensa personalizables y un conjunto de algoritmos incorporados como DQN, PPO y A3C adaptados para tareas colaborativas. Los usuarios pueden definir escenarios, gestionar ciclos de entrenamiento, registrar métricas y visualizar resultados. El marco admite configuración dinámica de equipos de agentes y estrategias de compartición de recompensas, facilitando el prototipado, la evaluación y la optimización de soluciones de IA cooperativa en diversas áreas.

LangUI es una biblioteca de Tailwind CSS de código abierto que proporciona más de 60 componentes listos para usar, responsivos y personalizables, diseñados específicamente para proyectos de AI y GPT. Ya sea que esté creando una nueva aplicación o mejorando una existente, los diversos componentes de LangUI, como contenedores de indicaciones, paneles de historial y entradas de mensajería, le permiten concentrarse en las funcionalidades centrales de su proyecto mientras deja el diseño de la interfaz de usuario a estos elementos elaborados profesionalmente.

Mava es una biblioteca de código abierto basada en JAX para desarrollar, entrenar y evaluar sistemas de aprendizaje por refuerzo multiagente. Ofrece implementaciones preconstruidas de algoritmos cooperativos y competitivos como MAPPO y MADDPG, junto con bucles de entrenamiento configurables que soportan flujos de trabajo en un solo nodo y distribuidos. Los investigadores pueden importar entornos desde PettingZoo o definir entornos personalizados, y luego usar los componentes modulares de Mava para optimización de políticas, gestión de búferes de repetición y registro de métricas. La arquitectura flexible del marco permite integrar nuevos algoritmos, espacios de observación personalizados y estructuras de recompensa. Aprovechando las capacidades de auto-vectorización y aceleración de hardware de JAX, Mava garantiza experimentos eficientes a gran escala y comparación reproducible en diversos escenarios multiagente.