Este repositorio implementa comunicación emergente en aprendizaje por refuerzo multiagente usando PyTorch. Los usuarios pueden configurar redes neuronales para emisores y receptores para jugar a juegos referenciales o navegación cooperativa, fomentando que los agentes desarrollen un canal de comunicación discreto o continuo. Incluye scripts para entrenamiento, evaluación y visualización de protocolos aprendidos, además de utilidades para crear entornos, codificar y decodificar mensajes. Los investigadores pueden extenderlo con tareas personalizadas, modificar arquitecturas de red y analizar la eficiencia del protocolo, promoviendo experimentos rápidos en comunicación emergente de agentes.

MACL es un marco modular de Python diseñado para simplificar la creación y orquestación de múltiples agentes IA. Permite definir agentes individuales con habilidades personalizadas, configurar canales de comunicación y programar tareas en una red de agentes. Los agentes pueden intercambiar mensajes, negociar responsabilidades y adaptarse dinámicamente según datos compartidos. Con soporte integrado para LLMs populares y un sistema de plugins para extensibilidad, MACL habilita flujos de trabajo IA escalables y mantenibles en ámbitos como automatización de atención al cliente, pipelines de análisis de datos y entornos de simulación.

VillagerAgent proporciona un conjunto completo de herramientas para construir agentes de IA que aprovechan grandes modelos de lenguaje. En su núcleo, los desarrolladores definen interfaces modulares de herramientas como búsqueda web, recuperación de datos o APIs personalizadas. El marco gestiona la memoria del agente almacenando el contexto de la conversación, hechos y estado de la sesión para interacciones multi-turno sin fisuras. Un sistema flexible de plantillas para prompts asegura mensajes coherentes y control del comportamiento. Funciones avanzadas incluyen coordinar múltiples agentes para colaborar en tareas y programar operaciones en segundo plano. Escrito en Python, VillagerAgent soporta una instalación sencilla mediante pip e integra con proveedores populares de LLM. Ya sea construyendo bots de soporte al cliente, asistentes de investigación o herramientas de automatización de workflows, VillagerAgent facilita el diseño, prueba y despliegue de agentes inteligentes.

Agent-Baba ofrece un conjunto completo de herramientas para crear y gestionar agentes IA autónomos adaptados a tareas específicas. Ofrece una arquitectura de plugins para ampliar capacidades, un sistema de memoria para mantener el contexto conversacional y automatización de flujos de trabajo para la ejecución secuencial de tareas. Los desarrolladores pueden integrar herramientas como scrapers web, bases de datos y APIs personalizadas en los agentes. El marco simplifica la configuración mediante esquemas YAML o JSON declarativos, soporta colaboración multi-agente y proporciona paneles de monitorización para seguir el rendimiento y logs de los agentes, permitiendo mejoras iterativas y despliegue sin problemas en diferentes entornos.

Agent-FLAN está diseñado para simplificar la creación de aplicaciones sofisticadas impulsadas por agentes IA, dividiendo las tareas en roles de planificación y ejecución. Los usuarios definen comportamientos y flujos de trabajo de los agentes mediante archivos de configuración, especificando formatos de entrada, interfaces de herramientas y protocolos de comunicación. El agente de planificación genera planes de tareas de alto nivel, mientras que los agentes de ejecución llevan a cabo acciones específicas, como llamadas a APIs, procesamiento de datos o generación de contenido con grandes modelos de lenguaje. La arquitectura modular de Agent-FLAN soporta adaptadores de herramientas plug-and-play, plantillas de prompts personalizadas y paneles de monitoreo en tiempo real. Se integra sin problemas con proveedores populares de LLM como OpenAI, Anthropic y Hugging Face, permitiendo a los desarrolladores prototipar, probar y desplegar rápidamente flujos de trabajo multi-agentes para escenarios como asistentes de investigación automatizada, pipelines de generación de contenido dinámico y automatización de procesos empresariales.

AgentForge proporciona un entorno estructurado para definir, combinar y orquestar habilidades de IA individuales en agentes autónomos coherentes. Soporta memoria de conversación para retener contexto, integración de plugins para servicios externos, comunicación entre múltiples agentes, programación de tareas y manejo de errores. Los desarrolladores pueden configurar manejadores personalizados de habilidades, aprovechar módulos integrados para comprensión del lenguaje natural y conectarse con grandes modelos de lenguaje (LLMs) como la serie GPT de OpenAI. El diseño modular de AgentForge acelera los ciclos de desarrollo, facilita las pruebas y simplifica el despliegue de chatbots, asistentes virtuales, agentes de análisis de datos y bots de automatización específicos de dominio.

Agentic-Systems está diseñado para simplificar el desarrollo de aplicaciones de IA autónomas sofisticadas ofreciendo una arquitectura modular compuesta por componentes de agente, herramienta y memoria. Los desarrolladores pueden definir herramientas personalizadas que envuelven APIs externas o funciones internas, mientras que los módulos de memoria mantienen la información contextual a través de iteraciones de agentes. El motor de orquestación incorporado programa tareas, resuelve dependencias y gestiona interacciones multi-agente para flujos de trabajo colaborativos. Al desacoplar la lógica del agente de los detalles de ejecución, este marco facilita experimentos rápidos, escalabilidad sencilla y control granular del comportamiento del agente. Ya sea creando prototipos de asistentes de investigación, automatizando pipelines de datos o desplegando agentes de soporte de decisiones, Agentic-Systems ofrece las abstracciones y plantillas necesarias para acelerar el desarrollo de soluciones de IA de extremo a extremo.

Agentic Shared Memory proporciona una solución robusta para gestionar datos contextuales en entornos multiagente impulsados por IA. Aprovechando embeddings vectoriales y estructuras de datos eficientes, almacena observaciones, decisiones y transiciones de estado de los agentes, permitiendo una recuperación y actualización sin fisuras del contexto. Los agentes pueden consultar la memoria compartida para acceder a interacciones pasadas o conocimientos globales, fomentando un comportamiento coherente y la resolución colaborativa de problemas. La biblioteca soporta integración plug-and-play con frameworks de IA populares como LangChain o coordinadores de agentes personalizados, ofreciendo estrategias de retención personalizables, ventanas de contexto y funciones de búsqueda. Al abstraer la gestión de la memoria, los desarrolladores pueden centrarse en la lógica del agente y garantizar una gestión escalable y coherente de la memoria en implementaciones distribuidas o centralizadas. Esto mejora el rendimiento del sistema, reduce cálculos redundantes y aumenta la inteligencia de los agentes con el tiempo.

El AWS Bedrock Multi-Agent Blueprint proporciona un marco modular para implementar una arquitectura de múltiples agentes en AWS Bedrock. Incluye código de ejemplo para definir roles de agentes — planificador, investigador, ejecutor y evaluador — que colaboran mediante colas de mensajes compartidas. Cada agente puede invocar diferentes modelos Bedrock con indicaciones personalizadas y pasar salidas intermedias a los agentes siguientes. La integración incorporada con CloudWatch, patrones de manejo de errores y soporte para ejecución sincrónica o asincrónica demuestran cómo gestionar la selección de modelos, tareas por lotes y la orquestación de extremo a extremo. Los desarrolladores clonan el repositorio, configuran roles de AWS IAM y puntos finales de Bedrock y despliegan vía CloudFormation o CDK. El diseño de código abierto fomenta ampliar roles, escalar agentes entre tareas e integrar con S3, Lambda y Step Functions.

Swarms World proporciona una interfaz unificada para diseñar sistemas multiagente, permitiendo a los usuarios definir roles, protocolos de comunicación y flujos de trabajo de forma visual o mediante código. Los agentes pueden colaborar, delegar subtareas y agregar resultados en tiempo real. La plataforma soporta implementaciones en local, en la nube y en el borde, con registro, métricas de rendimiento y escalado automático integrados. Un mercado descentralizado permite a los usuarios descubrir, compartir y monetizar módulos de agentes. Con soporte para LLMs, APIs y modelos personalizados, Swarms World acelera el desarrollo de automatizaciones IA robustas y empresariales a gran escala.

CrewAI Studio es una plataforma basada en la web que permite a los desarrolladores diseñar, visualizar y monitorear flujos de trabajo IA multiagente. Los usuarios pueden configurar las indicaciones, la lógica de cadenas, la configuración de memoria y las integraciones API externas de cada agente mediante un lienzo gráfico. El estudio se conecta a bases de datos vectoriales populares, proveedores de LLM y puntos finales de plugins. Admite depuración en tiempo real, seguimiento del historial de conversaciones y despliegue con un clic en entornos personalizados, simplificando la creación de asistentes digitales potentes.

DSpy Agents es un toolkit de Python de código abierto que simplifica la creación de agentes de IA autónomos. Ofrece una arquitectura modular para ensamblar agentes con herramientas personalizables para scraping web, análisis de documentos, consultas a bases de datos e integraciones con modelos de lenguaje (OpenAI, Hugging Face). Los desarrolladores pueden orquestar flujos de trabajo complejos usando plantillas de agentes preconstruidas o definir conjuntos de herramientas personalizadas para automatizar tareas como resúmenes de investigaciones, soporte al cliente y pipelines de datos. Con gestión de memoria integrada, registro, generación aumentada por recuperación, colaboración multi-agente y despliegue sencillo via contenedores o entornos serverless, DSpy Agents acelera el desarrollo de aplicaciones basadas en agentes sin código repetitivo.

La Comunicación Emergente en Agentes es un marco de trabajo de código abierto en PyTorch diseñado para investigadores que exploran cómo los sistemas multiagente desarrollan sus propios protocolos de comunicación. La biblioteca ofrece implementaciones flexibles de tareas cooperativas de aprendizaje por refuerzo, incluyendo juegos referenciales, juegos combinatorios y desafíos de identificación de objetos. Los usuarios definen arquitecturas de agentes emisores y receptores, especifican propiedades de los canales de mensajes como tamaño de vocabulario y longitud de secuencia, y seleccionan estrategias de entrenamiento como gradientes de política o aprendizaje supervisado. El framework incluye scripts end-to-end para ejecutar experimentos, analizar la eficiencia de la comunicación y visualizar lenguas emergentes. Su diseño modular permite una extensión fácil con nuevos entornos de juego o funciones de pérdida personalizadas. Los investigadores pueden reproducir estudios publicados, evaluar nuevos algoritmos y analizar la composicionalidad y semántica de los lenguajes de los agentes emergentes.

El solucionador de N-Reinas basado en GA utiliza una arquitectura modular multiagente 2APL donde cada agente codifica una configuración candidata para las N-Reinas. Los agentes evalúan su aptitud contando pares de reinas no atacantes y comparten configuraciones de alta aptitud con otros. Las operaciones genéticas—selección, cruce y mutación—se aplican a la población de agentes para generar nuevas configuraciones candidatas. A lo largo de varias iteraciones, los agentes convergen colectivamente en soluciones válidas de las N-Reinas. El framework está implementado en Java, soporta ajuste de parámetros para tamaño de población, tasa de cruce, probabilidad de mutación y protocolos de comunicación de agentes, y proporciona logs detallados y visualizaciones del proceso evolutivo.

GenWorlds es un marco de desarrollo de IA diseñado para facilitar la creación de sistemas multiagente. Utilizando un marco de comunicación basado en eventos a través de websocket, permite a los desarrolladores configurar entornos interactivos donde los agentes autónomos pueden interactuar de forma asincrónica entre sí y con su entorno. Estos agentes colaboran, planifican acciones y ejecutan tareas complejas de manera colectiva, lo que hace de GenWorlds una plataforma robusta para crear ecosistemas de IA escalables y flexibles.

GPT-agents es un conjunto de herramientas enfocado en desarrolladores que simplifica la creación y orquestación de agentes de IA autónomos usando GPT. Incluye clases de Agentes integradas, un sistema modular de integración de herramientas y gestión de memoria persistente para mantener el contexto actual. El marco maneja ciclos de planificación conversacional y colaboración multi-agente, permitiendo asignar objetivos, programar subtareas y encadenar agentes en flujos de trabajo complejos. Soporta herramientas personalizables, selección de modelos y manejo de errores para ofrecer automatización robusta y escalable en distintos dominios.

LiteSwarm es un marco completo de orquestación de agentes IA diseñado para facilitar la colaboración entre múltiples agentes especializados. Los usuarios definen agentes individuales con roles específicos, como recuperación de datos, análisis, resumen o llamadas API externas, y los vinculan en un flujo de trabajo visual. LiteSwarm gestiona la comunicación entre agentes, almacenamiento de memoria persistente, recuperación de errores y registro. Soporta integración API, extensiones de código personalizadas y monitoreo en tiempo real, permitiendo a los equipos prototipar, probar y desplegar soluciones multi-agente complejas sin una carga de ingeniería extensa.

Swarms.ai ofrece una interfaz visual para definir y conectar múltiples agentes de IA en flujos de trabajo inteligentes. Cada agente puede configurarse con roles específicos, fuentes de datos e integraciones API personalizadas. Los agentes colaboran compartiendo mensajes, activando acciones y compartiendo contexto para gestionar tareas complejas de extremo a extremo. La plataforma ofrece control de acceso basado en roles, control de versiones y análisis en tiempo real para monitorear el rendimiento del enjambre. No se requiere programación: los usuarios arrastran y sueltan componentes, configuran desencadenantes y enlazan salidas para diseñar procesos automatizados para soporte, ventas, operaciones y más.

Meta-Agent-with-More-Agents es un marco extensible de código abierto que implementa una arquitectura de agente meta permitiendo que varios subagentes especializados colaboren en tareas complejas. Utiliza LangChain para la orquestación de agentes y APIs de OpenAI para procesamiento del lenguaje natural. Los desarrolladores pueden definir agentes personalizados para tareas como extracción de datos, análisis de sentimientos, toma de decisiones o generación de contenido. El agente meta coordina la descomposición de tareas, envía objetivos a los agentes adecuados, recopila sus resultados y refina iterativamente los resultados mediante bucles de retroalimentación. Su diseño modular soporta procesamiento paralelo, registro y manejo de errores. Ideal para automatizar flujos de trabajo de múltiples pasos, pipelines de investigación y sistemas de soporte a decisiones dinámicas, simplificando la construcción de sistemas IA distribuidos robustos mediante la abstracción de la comunicación entre agentes y la gestión de ciclo de vida.

Multi-Agent-LLM está diseñado para facilitar la orquestación de múltiples agentes de IA impulsados por modelos de lenguaje grandes. Los usuarios pueden definir agentes individuales con personalidades únicas, almacenamiento de memoria e integración con herramientas o APIs externas. Un agente central, AgentManager, gestiona los bucles de comunicación, permitiendo a los agentes intercambiar mensajes en un entorno compartido y avanzar colaborativamente hacia objetivos complejos. El framework soporta cambiar proveedores de LLM (por ejemplo, OpenAI, Hugging Face), plantillas de prompts flexibles, historiales de conversación y contextos de herramientas paso a paso. Los desarrolladores se benefician de utilidades incorporadas para registros, manejo de errores y spawning dinámico de agentes, permitiendo automatizar flujos de trabajo multi-etapa, tareas de investigación y pipelines de toma de decisiones.