FreeThinker proporciona una arquitectura modular para definir agentes de IA que pueden ejecutar tareas autónomamente mediante el aprovechamiento de modelos de lenguaje grandes, módulos de memoria y herramientas externas. Los desarrolladores pueden configurar agentes mediante Python o YAML, conectar herramientas personalizadas para búsqueda en la web, procesamiento de datos o llamadas API, y utilizar estrategias de planificación integradas. El marco maneja la ejecución paso a paso, la retención de contexto y la agregación de resultados para que los agentes puedan operar sin intervención en trabajos de investigación, automatización o apoyo en decisiones.

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.

MARL-DPP es un marco de código abierto que permite el aprendizaje por refuerzo multiagente (MARL) con diversidad impuesta mediante Procesos Determinantales (DPP). Los enfoques MARL tradicionales suelen sufrir de convergencia de políticas hacia comportamientos similares; MARL-DPP aborda esto incorporando medidas basadas en DPP para fomentar que los agentes mantengan distribuciones de acciones diversas. El kit de herramientas proporciona código modular para integrar DPP en objetivos de entrenamiento, muestreo de políticas y gestión de exploración. Incluye integración lista para usar con entornos estándar como OpenAI Gym y el Entorno de Partículas Multi-Agente (MPE), además de utilidades para gestión de hiperparámetros, registro y visualización de métricas de diversidad. Los investigadores pueden evaluar el impacto de las restricciones de diversidad en tareas cooperativas, asignación de recursos y juegos competitivos. Su diseño extensible soporta entornos personalizados y algoritmos avanzados, facilitando la exploración de variantes nuevas de MARL-DPP.