NeuralABM es una biblioteca de código abierto en Python que aprovecha PyTorch para integrar redes neuronales en el modelado basado en agentes. Los usuarios pueden especificar arquitecturas de agentes como módulos neuronales, definir dinámicas del entorno y entrenar comportamientos de agentes mediante retropropagación en pasos de simulación. El framework soporta señales de recompensa personalizadas, aprendizaje por currículo y actualizaciones síncronas o asíncronas, permitiendo estudiar fenómenos emergentes. Con utilidades para registro, visualización y exportación de conjuntos de datos, investigadores y desarrolladores pueden analizar el rendimiento de los agentes, depurar modelos y iterar en el diseño de simulaciones. NeuralABM simplifica la combinación de aprendizaje por refuerzo con ABM para aplicaciones en ciencias sociales, economía, robótica y comportamientos de NPC en juegos impulsados por IA. Ofrece componentes modulares para personalizar entornos, soporta interacciones multi-agente y proporciona hooks para integrar conjuntos de datos externos o API en simulaciones del mundo real. El diseño abierto fomenta la reproducibilidad y colaboración mediante una configuración clara de experimentos y la integración con control de versiones.

Rigging es un marco enfocado en desarrolladores que simplifica la creación y orquestación de agentes de IA. Ofrece registro de herramientas y funciones, gestión de contexto y memoria, encadenamiento de flujos de trabajo, eventos de devolución de llamada y registros. Los desarrolladores pueden integrar múltiples proveedores LLM, definir plugins personalizados y armar pipelines en múltiples pasos. El SDK de TypeScript con seguridad tipada de Rigging garantiza modularidad y reutilización, acelerando el desarrollo de agentes de IA para chatbots, procesamiento de datos y tareas de generación de contenido.