RL Shooter es un marco basado en Python que integra ViZDoom con las API de OpenAI Gym para crear un entorno flexible de aprendizaje por refuerzo para juegos FPS. Los usuarios pueden definir escenarios, mapas y estructuras de recompensa personalizadas para entrenar agentes en tareas de navegación, detección de objetivos y disparo. Con marcos de observación, espacios de acción y facilidades de registro configurables, soporta bibliotecas populares de RL profundo como Stable Baselines y RLlib, permitiendo un seguimiento claro del rendimiento y la reproducibilidad de los experimentos.

Team Coordination es una biblioteca ligera de Python diseñada para simplificar la orquestación de múltiples agentes de IA que trabajan juntos en tareas complejas. Definiendo roles especializados como planificadores, ejecutores, evaluadores o comunicadores, los usuarios pueden descomponer un objetivo alto en subtareas manejables, delegarlas a agentes individuales y facilitar una comunicación estructurada. El marco maneja ejecución asíncrona, enrutamiento de protocolos y agregación de resultados, permitiendo la colaboración eficiente de equipos de agentes de IA. Su sistema de plugins soporta integración con LLMs populares, APIs y lógica personalizada, ideal para aplicaciones en servicio al cliente automatizado, investigación, IA en juegos y pipelines de procesamiento de datos. Con abstracciones claras y componentes extensibles, Team Coordination acelera el desarrollo de flujos de trabajo multi-agentes escalables.

HFO_DQN combina Python y TensorFlow para ofrecer un pipeline completo para entrenar agentes de fútbol usando Deep Q-Networks. Los usuarios pueden clonar el repositorio, instalar dependencias incluyendo el simulador HFO y bibliotecas Python, y configurar los parámetros de entrenamiento en archivos YAML. El marco implementa reproducción de experiencias, actualizaciones del red objetivo, exploración epsilon-greedy y modelado de recompensas adaptado al dominio de ofensiva de medio campo. Incluye scripts para entrenamiento de agentes, registro de rendimiento, partidas de evaluación y visualización de resultados. La estructura modular permite integrar arquitecturas de redes neuronales personalizadas, algoritmos RL alternativos y estrategias de coordinación multiagente. Las salidas incluyen modelos entrenados, métricas de rendimiento y visualizaciones del comportamiento, facilitando investigaciones en aprendizaje por refuerzo y sistemas multiagente.