JADE es un marco de desarrollo de agentes basado en Java que simplifica la creación de sistemas multiagente distribuidos. Proporciona infraestructura compatible con FIPA que incluye un entorno de ejecución, transporte de mensajes, facilitador de directorio y gestión de agentes. Los desarrolladores escriben clases de agentes en Java, las despliegan en contenedores y utilizan herramientas gráficas como RMA y Sniffer para depuración y monitoreo. JADE soporta movilidad de agentes, planificación de comportamientos y operaciones del ciclo de vida, permitiendo diseños escalables y modulares para investigación, coordinación IoT, simulaciones y automatización empresarial.

JARVIS-1 ofrece una arquitectura modular que combina una interfaz en lenguaje natural, un módulo de memoria y un ejecutor de tareas basado en plugins. Basado en GPT-index, persiste conversaciones, recupera contextos y evoluciona con las interacciones del usuario. Los usuarios definen tareas mediante prompts sencillos, mientras que JARVIS-1 coordina la planificación de trabajos, la ejecución de código, la manipulación de archivos y la navegación web. Su sistema de plugins permite integraciones personalizadas para bases de datos, correos electrónicos, PDFs y servicios en la nube. Se puede desplegar mediante Docker o CLI en Linux, macOS y Windows, asegurando operación offline y control completo de los datos, lo que lo hace ideal para desarrolladores, equipos de DevOps y usuarios avanzados que buscan automatización segura y extensible.

JASA proporciona un conjunto integral de bibliotecas Java para construir y ejecutar simulaciones de sistemas multiagentes. Soporta gestión del ciclo de vida de los agentes, programación de eventos, pasaje asíncrono de mensajes y modelado de entornos. Los desarrolladores pueden extender clases base para implementar comportamientos personalizados, integrar fuentes de datos externas y visualizar resultados de simulaciones. El diseño modular del marco y su documentación clara facilitan el prototipado rápido y la escalabilidad, siendo adecuado para investigación académica, enseñanza y desarrollos de prueba de concepto en modelado basado en agentes.

Julep AI es una plataforma de código abierto diseñada para ayudar a los equipos de ciencia de datos a construir, iterar y desplegar rápidamente flujos de trabajo de IA de múltiples pasos. Con Julep, puedes crear pipelines de IA escalables, duraderos y de larga duración utilizando agentes, tareas y herramientas. La configuración basada en YAML de la plataforma simplifica los procesos complejos de IA y garantiza flujos de trabajo listos para la producción. Soporta prototipado rápido, diseño modular e integración sin fisuras con sistemas existentes, haciendo que sea ideal para manejar millones de usuarios concurrentes mientras proporciona total visibilidad sobre las operaciones de IA.

LangChain es un marco modular que ayuda a los desarrolladores a crear aplicaciones avanzadas de IA conectando grandes modelos de lenguaje con fuentes de datos externas y herramientas. Proporciona abstracciones de cadenas para llamadas secuenciales a LLM, orquestación de agentes para workflows de decisión, módulos de memoria para retención de contexto y integraciones con cargadores de documentos, almacenes vectoriales y herramientas API. Con soporte para múltiples proveedores y SDKs en Python y JavaScript, LangChain acelera el prototipado y despliegue de chatbots, sistemas de QA y asistentes personalizados.

LangChain es un marco enfocado en desarrolladores diseñado para simplificar la creación de agentes IA inteligentes y aplicaciones. Proporciona abstracciones para cadenas de llamadas a LLM, comportamiento agentico con integración de herramientas, gestión de memoria para persistencia del contexto y plantillas de prompts personalizables. Con soporte incorporado para cargadores de documentos, almacenes vectoriales y diversos proveedores de modelos, LangChain permite construir pipelines de generación aumentada por recuperación, agentes autónomos y asistentes conversacionales que pueden interactuar con APIs, bases de datos y sistemas externos en un flujo de trabajo unificado.

Langchainrb es una biblioteca de Ruby de código abierto diseñada para agilizar el desarrollo de aplicaciones impulsadas por IA mediante un marco modular para agentes, cadenas y herramientas. Los desarrolladores pueden definir plantillas de indicaciones, ensamblar cadenas de llamadas LLM, integrar componentes de memoria para preservar el contexto y conectar herramientas personalizadas como cargadores de documentos o APIs de búsqueda. Soporta generación de incrustaciones para búsqueda semántica, manejo de errores integrado y configuración flexible de modelos. Con abstracciones de agentes, puedes implementar asistentes conversacionales que decidan qué herramientas o cadenas invocar según la entrada del usuario. La arquitectura extensible de Langchainrb permite fácil personalización, facilitando rápidamente prototipos de chatbots, pipelines de resumen automatizado, sistemas QA y automatización de flujos de trabajo complejos.

El LangGraph Cookbook proporciona recetas listas para usar para construir agentes IA sofisticados representando los flujos de trabajo como gráficos dirigidos. Cada nodo puede encapsular prompts, invocaciones de herramientas, conectores de datos o pasos de postprocesamiento. Las recetas cubren tareas como responder a preguntas sobre documentos, resumen, generación de código y coordinación de múltiples herramientas. Los desarrolladores pueden estudiar y adaptar estos patrones para prototipar rápidamente aplicaciones personalizadas alimentadas por LLM, mejorando la modularidad, la reutilización y la transparencia en la ejecución.

LifelongAgentBench está diseñado para simular entornos de aprendizaje continuo del mundo real, permitiendo a los desarrolladores probar agentes AI en una secuencia de tareas evolutivas. El framework ofrece una API plug-and-play para definir nuevos escenarios, cargar conjuntos de datos y configurar políticas de gestión de memoria. Módulos de evaluación integrados calculan métricas como transferencia hacia adelante, transferencia hacia atrás, tasa de olvido y rendimiento acumulado. Los usuarios pueden desplegar implementaciones base o integrar agentes propietarios, facilitando comparaciones directas bajo las mismas condiciones. Los resultados se exportan como informes estandarizados, presentando gráficos interactivos y tablas. La arquitectura modular soporta extensiones con cargadores de datos, métricas y plugins de visualización personalizados, permitiendo a investigadores e ingenieros adaptar la plataforma a diferentes ámbitos de aplicación.

El motor de integración LLM a MCP es un marco de código abierto diseñado para integrar modelos de lenguaje grandes (LLMs) con varias plataformas de comunicación de mensajería (MCPs). Proporciona adaptadores para APIs de LLM como OpenAI y Anthropic, y conectores para plataformas de chat como Slack, Discord y Telegram. El motor gestiona el estado de la sesión, enriquece el contexto y enruta mensajes bidireccionalmente. Su arquitectura basada en plugins permite a los desarrolladores ampliar el soporte a nuevos proveedores y personalizar la lógica empresarial, acelerando la implementación de agentes de IA en entornos de producción.

LLMWare funciona como un kit de herramientas completo para construir agentes IA alimentados por grandes modelos de lenguaje. Permite definir cadenas reutilizables, integrar herramientas externas mediante interfaces sencillas, gestionar estados de memoria contextual y coordinar razonamientos en múltiples pasos entre modelos lingüísticos y servicios downstream. Con LLMWare, los desarrolladores pueden conectar diferentes backends de modelos, configurar la lógica de decisión del agente y agregar kits de herramientas personalizados para tareas como navegación web, consultas a bases de datos o llamadas a APIs. Su diseño modular facilita prototipar rápidamente agentes autónomos, chatbots o asistentes de investigación, ofreciendo registro de logs, manejo de errores y adaptadores de despliegue para entornos de desarrollo y producción.

MAGI (Inteligencia Generativa de IA Modular) es un marco de código abierto diseñado para simplificar la creación y gestión de agentes de IA. Ofrece una arquitectura de plugins para la integración personalizada de herramientas, módulos de memoria persistente, planificación en cadena de pensamiento y orquestación en tiempo real de flujos de trabajo de múltiples pasos. Los desarrolladores pueden registrar APIs externas o scripts locales como herramientas del agente, configurar servidores de memoria y definir políticas de tareas. El diseño extensible de MAGI soporta tareas síncronas y asíncronas, lo que lo hace ideal para chatbots, pipelines de automatización y prototipos de investigación.

MAPF_G2RL es un marco de investigación de código abierto que conecta la teoría de grafos y el aprendizaje por refuerzo profundo para abordar el problema de búsqueda de caminos multi-agente (MAPF). Codifica nodos y aristas en representaciones vectoriales, define funciones de recompensa espacial y sensibles a colisiones, y soporta diversos algoritmos RL como DQN, PPO y A2C. El marco automatiza la creación de escenarios generando grafos aleatorios o importando mapas del mundo real, y organiza ciclos de entrenamiento que optimizan políticas para múltiples agentes simultáneamente. Tras el aprendizaje, los agentes son evaluados en entornos simulados para medir la optimalidad de caminos, el tiempo de Makespan y tasas de éxito. Su diseño modular permite a investigadores extender componentes básicos, integrar nuevas técnicas MARL y hacer benchmarking contra solucionadores clásicos.

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.

PersonalAI ofrece un marco de agente completo que combina integraciones avanzadas de LLM con memoria semántica persistente y un sistema de plugins extensible. Los desarrolladores pueden configurar backends de memoria como Redis, SQLite, PostgreSQL o tiendas vectoriales para gestionar embeddings y recordar conversaciones pasadas. Los plugins integrados soportan tareas como búsqueda en web, lectura/escritura de archivos y ejecución de código Python, mientras que una API de plugins robusta permite desarrollar herramientas personalizadas. El agente coordina las solicitudes a LLM y las invocaciones de herramientas en un flujo de trabajo dirigido, habilitando respuestas contextuales y acciones automatizadas. Utiliza LLM locales vía Hugging Face o servicios en la nube vía OpenAI y Azure OpenAI. El diseño modular de PersonalAI facilita la prototipación rápida de asistentes específicos de dominio, bots de investigación automatizados o agentes de gestión del conocimiento que aprenden y se adaptan con el tiempo.

Mava es una biblioteca de código abierto basada en JAX para desarrollar, entrenar y evaluar sistemas de aprendizaje por refuerzo multiagente. Ofrece implementaciones preconstruidas de algoritmos cooperativos y competitivos como MAPPO y MADDPG, junto con bucles de entrenamiento configurables que soportan flujos de trabajo en un solo nodo y distribuidos. Los investigadores pueden importar entornos desde PettingZoo o definir entornos personalizados, y luego usar los componentes modulares de Mava para optimización de políticas, gestión de búferes de repetición y registro de métricas. La arquitectura flexible del marco permite integrar nuevos algoritmos, espacios de observación personalizados y estructuras de recompensa. Aprovechando las capacidades de auto-vectorización y aceleración de hardware de JAX, Mava garantiza experimentos eficientes a gran escala y comparación reproducible en diversos escenarios multiagente.

El MCP Browser Agent es un marco de agentes IA autónomos basados en navegador que aprovechan grandes modelos de lenguaje para realizar navegación web, scraping de datos, resumen de contenido, interacción con formularios y secuencias de tareas automatizadas. Construido como una librería ligera en JavaScript, se integra perfectamente con las APIs GPT de OpenAI, permitiendo a los desarrolladores definir programáticamente acciones personalizadas, almacenamientos de memoria y cadenas de prompts. El agente puede hacer clic en enlaces, llenar formularios, extraer datos de tablas y resumir contenidos de páginas según demanda. Soporta ejecución asincrónica, manejo de errores y persistencia de sesiones mediante almacenamiento en el navegador. Con interfaces personalizables y módulos de acciones extensibles, MCP Browser Agent simplifica la creación de asistentes inteligentes de navegador para aumentar la productividad, optimizar flujos de trabajo y reducir tareas manuales de navegación en diversas aplicaciones web.

Micro-agent es una biblioteca ligera y sin opiniones, diseñada para simplificar la creación de agentes de IA sofisticados usando modelos de lenguaje de gran tamaño. Expone abstracciones centrales como agentes, herramientas, planificadores y almacenes de memoria, permitiendo a los desarrolladores ensamblar flujos de conversación personalizados. Los agentes pueden invocar APIs externas o utilidades internas como herramientas, permitiendo la recuperación dinámica de datos y ejecución de acciones. La biblioteca soporta memoria conversacional a corto plazo y memoria persistente a largo plazo para mantener el contexto en sesiones. Los planificadores orquestan procesos de cadena de pensamiento, dividiendo tareas complejas en llamadas a herramientas o consultas a modelos lingüísticos. Con plantillas de prompts configurables y estrategias de ejecución, micro-agent se adapta sin problemas a aplicaciones web frontend, servicios Node.js y entornos en el borde, proporcionando una base flexible para chatbots, asistentes virtuales o sistemas de decisiones autónomas.

micro-agent proporciona un conjunto minimalista pero potente de abstracciones para crear agentes de IA autónomos. Construido en TypeScript, funciona sin problemas tanto en navegador como en Node.js, permitiendo definir agentes con plantillas de prompts personalizadas, lógica de decisión e integraciones de herramientas extensibles. Los agentes pueden aprovechar el razonamiento de cadena de pensamiento, interactuar con APIs externas y mantener memoria conversacional o específica de tareas. La biblioteca incluye utilidades para manejar respuestas de API, gestión de errores y persistencia de sesiones. Con micro-agent, los desarrolladores pueden prototipar y desplegar agentes para tareas como automatización de flujos de trabajo, construcción de interfaces conversacionales o orquestación de pipelines de procesamiento de datos, sin la sobrecarga de frameworks más grandes. Su diseño modular y API clara facilitan extenderlo e incorporarlo en aplicaciones existentes.

MIDCA es una arquitectura cognitiva modular diseñada para soportar el ciclo cognitivo completo de los agentes inteligentes. Procesa entradas sensoriales a través de un módulo de percepción, interpreta datos para generar y priorizar metas, usa un planificador para crear secuencias de acciones, ejecuta tareas y luego evalúa resultados mediante una capa metacognitiva. El diseño de doble ciclo separa respuestas reactivas rápidas del razonamiento deliberado más lento, permitiendo que los agentes se adapten dinámicamente. La estructura extensible y el código abierto hacen de MIDCA la opción ideal para investigadores y desarrolladores que exploran toma de decisiones autónomas, aprendizaje y autorreflexión en IA.