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.

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.

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.

autogen_multiagent proporciona una forma estructurada de instanciar, configurar y coordinar múltiples agentes de IA en Python. Ofrece creación dinámica de agentes, canales de mensajes entre agentes, planificación de tareas, bucles de ejecución y utilidades de monitorización. Al integrarse perfectamente con la API de OpenAI, puedes asignar roles especializados —como planificador, ejecutor, resumidor— a cada agente y orquestar sus interacciones. Este marco es ideal para escenarios que requieren flujos de trabajo modulares y escalables de IA, como análisis automatizado de documentos, gestión de soporte al cliente y generación de código en múltiples pasos.

Swarms.rs es el entorno de ejecución principal en Rust para ejecutar programas de agentes de IA basados en enjambres. Incluye un sistema modular de plugins para integrar lógica personalizada o modelos de IA, una capa de intercambio de mensajes para comunicación p2p y un ejecutor asíncrono para programar comportamientos de los agentes. Estos componentes permiten a los desarrolladores diseñar, desplegar y escalar redes complejas de agentes descentralizados para tareas de simulación, automatización y colaboración multi-agente.

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.

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.

Microsoft AutoGen está diseñado para facilitar el desarrollo completo de agentes de IA autónomos, proporcionando componentes modulares para gestión de memoria, planificación de tareas, integración de herramientas y comunicación. Los desarrolladores pueden definir herramientas personalizadas con esquemas estructurados y conectarse a proveedores LLM principales como OpenAI y Azure OpenAI. El marco soporta la orquestación de uno o múltiples agentes, permitiendo flujos de trabajo colaborativos en los que los agentes coordinan para completar tareas complejas. Su arquitectura plug-and-play permite fácil expansión con nuevos almacenes de memoria, estrategias de planificación y protocolos de comunicación. Al abstraer los detalles de integración de bajo nivel, AutoGen acelera la creación de prototipos y el despliegue de aplicaciones impulsadas por IA en ámbitos como soporte al cliente, análisis de datos y automatización de procesos.

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.

Multi-Agent es un kit de herramientas para desarrolladores que te ayuda a construir y orquestar múltiples agentes de IA que se ejecutan en paralelo. Cada agente mantiene su propio almacenamiento de memoria, configuración de prompt y cola de mensajes. Puedes definir comportamientos personalizados, establecer canales de comunicación entre agentes y delegar tareas automáticamente según los roles de los agentes. Aprovecha la API Chat de OpenAI para comprensión y generación del lenguaje, y ofrece componentes modulares para orquestación de flujos de trabajo, registro y manejo de errores. Esto permite crear agentes especializados, como asistentes de investigación, procesadores de datos o bots de soporte al cliente, que trabajan juntos en tareas multifacéticas.

Multiagent-Prediction-Reward es un marco orientado a la investigación que integra modelos de predicción y mecanismos de distribución de recompensas para el aprendizaje por refuerzo multi-agente. Incluye envoltorios para entornos, módulos neuronales para prever las acciones de compañeros y lógica de enrutamiento de recompensas personalizable que se adapta al rendimiento de los agentes. El repositorio ofrece archivos de configuración, scripts de ejemplo y paneles de evaluación para ejecutar experimentos en tareas cooperativas. Los usuarios pueden ampliar el código para probar funciones de recompensa novedosas, integrar nuevos entornos y evaluar en comparación con algoritmos RL multi-agente establecidos.

OpenAI Agents proporciona un entorno modular para definir, ejecutar y gestionar agentes de IA autónomos respaldados por modelos de lenguaje de OpenAI. Los desarrolladores pueden configurar agentes con almacenes de memoria, registrar herramientas o plugins personalizados, orquestar la colaboración multi-agente y monitorear la ejecución mediante registros integrados. El marco gestiona llamadas API, gestión de contexto y planificación asíncrona de tareas, permitiendo prototipado rápido de flujos de trabajo complejos impulsados por IA y aplicaciones como extracción de datos, automatización de soporte al cliente, generación de código y asistencia en investigación.