La plantilla de App Agentic es un proyecto Next.js completamente configurado que sirve como base para desarrollar aplicaciones de agentes impulsadas por IA. Incorpora una estructura de carpetas modular, gestión de variables de entorno y ejemplos de flujos de trabajo de agentes que aprovechan modelos GPT de OpenAI y bases de datos vectoriales como Pinecone. La plantilla muestra patrones clave como cadenas secuenciales de múltiples pasos, agentes conversacionales de Q&A y endpoints de generación de texto. Los desarrolladores pueden personalizar fácilmente la lógica de las cadenas, integrar servicios adicionales y desplegar en plataformas como Vercel o Netlify. Con soporte para TypeScript y manejo de errores integrado, el esquema reduce el tiempo de configuración inicial y proporciona documentación clara para futuras extensiones.

mini-AlphaStar desmitifica la arquitectura compleja de AlphaStar ofreciendo un marco accesible y de código abierto en PyTorch para el desarrollo de IA en StarCraft II. Incluye codificadores de características espaciales para entradas de pantalla y minimapa, procesamiento de características no espaciales, módulos de memoria LSTM, y redes separadas de política y valor para la selección de acciones y evaluación del estado. Utiliza aprendizaje por imitación para comenzar y aprendizaje por refuerzo con auto-juego para afinar, soporta wrappers de entorno compatibles con pysc2, registro con TensorBoard y hiperparámetros configurables. Investigadores y estudiantes pueden generar conjuntos de datos a partir de partidas humanas, entrenar modelos en escenarios personalizados, evaluar el rendimiento del agente y visualizar curvas de aprendizaje. La base modular del código facilita experimentar con variantes de redes, programas de entrenamiento y configuraciones multi-agente. Diseñado para educación y prototipado, no para despliegue en producción.

Este proyecto de código abierto brinda un marco completo de aprendizaje por refuerzo multi-agente construido sobre PyTorch y Unity ML-Agents. Incluye algoritmos DDPG descentralizados, envoltorios de entornos y scripts de entrenamiento. Los usuarios pueden configurar políticas de agentes, redes críticas, buffers de reproducción y trabajadores de entrenamiento en paralelo. Los hooks de registro permiten monitoreo con TensorBoard, mientras que una estructura modular soporta funciones de recompensa y parámetros de entorno personalizables. El repositorio incluye escenas de ejemplo en Unity demostrando tareas de navegación colaborativa, ideal para ampliar y evaluar escenarios multi-agente en simulaciones.

Enso es una plataforma basada en navegador que permite a los usuarios crear agentes IA personalizados mediante un constructor visual basado en flujos. Los usuarios arrastran y sueltan componentes modulares de código y IA, configuran integraciones API, incrustan interfaces de chat y previsualizan flujos de trabajo interactivos en tiempo real. Una vez diseñado, el agente se puede probar instantáneamente y desplegar con un clic en la nube o exportar como contenedores. Enso simplifica tareas complejas de automatización combinando la simplicidad del sin código con la extensibilidad completa del código, permitiendo un desarrollo rápido de asistentes inteligentes y flujos de trabajo impulsados por datos.

CommNet es una biblioteca orientada a la investigación que implementa la arquitectura CommNet, permitiendo que múltiples agentes compartan estados ocultos en cada paso temporal y aprendan a coordinar acciones en entornos cooperativos. Incluye definiciones de modelos en PyTorch, scripts de entrenamiento y evaluación, envoltorios para entornos OpenAI Gym y utilidades para personalizar canales de comunicación, conteo de agentes y profundidades de red. Investigadores y desarrolladores pueden usar CommNet para prototipar y evaluar estrategias de comunicación entre agentes en tareas de navegación, persecución-salvación y recolección de recursos.

Drive Flow es un marco flexible que capacita a los desarrolladores para diseñar flujos de trabajo impulsados por IA definiendo secuencias de pasos. Cada paso puede invocar modelos de lenguaje grandes (LLMs), ejecutar funciones personalizadas o interactuar con memoria persistente almacenada en MemoDB. El framework soporta lógica de ramificación compleja, bucles, ejecución paralela de tareas y manejo dinámico de entradas. Desarrollado en TypeScript, usa un DSL declarativo para especificar los flujos, permitiendo una clara separación de la lógica de orquestación. Drive Flow también proporciona manejo de errores integrado, estrategias de reintentos, seguimiento del contexto de ejecución y un registro extenso. Los casos principales de uso incluyen asistentes de IA, procesamiento automatizado de documentos, automatización de soporte al cliente y sistemas de decisión en múltiples etapas. Al abstraer la orquestación, Drive Flow agiliza el desarrollo y simplifica el mantenimiento de aplicaciones de IA.

ePH-MAPF proporciona un flujo de trabajo eficiente para calcular rutas sin colisiones para decenas a centenas de agentes en mapas basados en cuadrícula. Utiliza heurísticas priorizadas, técnicas de búsqueda incremental y métricas de coste personalizables (Manhattan, Euclidiana) para equilibrar velocidad y calidad de la solución. Los usuarios pueden seleccionar diferentes funciones heurísticas, integrar la biblioteca en sistemas de robótica basados en Python, y evaluar el rendimiento en escenarios estándar de MAPF. El código es modular y bien documentado, permitiendo a investigadores y desarrolladores extenderlo para obstáculos dinámicos o entornos especializados.