NeXent es un marco de agentes de IA flexible que permite definir trabajadores digitales personalizados mediante YAML o SDK de Python. Puedes integrar múltiples LLMs, API externas y cadenas de herramientas en pipelines modulares. Los módulos de memoria integrados permiten interacciones con estado, mientras que un panel de monitoreo proporciona información en tiempo real. NeXent soporta despliegue en local y en la nube, contenedores Docker y escala horizontalmente para cargas de trabajo empresariales. El diseño de código abierto fomenta la extensibilidad y plugins comunitarios.

Fleak empodera a los equipos de datos para crear, gestionar y automatizar flujos de trabajo impulsados por IA sin necesidad de infraestructura. Su interfaz intuitiva permite a los usuarios desarrollar y desplegar puntos finales de API sin esfuerzo, lo que lo hace ideal para aquellos que buscan simplificar las operaciones de datos. Con herramientas de monitoreo robustas, Fleak asegura que los flujos de trabajo sean no solo escalables, sino también eficientes, permitiendo que los equipos se concentren en la innovación en lugar de en el mantenimiento. La plataforma soporta la integración con servicios de datos líderes, convirtiéndola en una solución integral para la orquestación de datos.

Lakera está enfocada en proporcionar soluciones de seguridad de nivel empresarial para grandes modelos de lenguaje (LLMs). Su producto principal, Lakera Guard, capacita a las organizaciones para desarrollar y operar aplicaciones de IA generativa sin preocuparse por inyecciones de comandos, pérdida de datos o exposición a contenido dañino. Al proporcionar herramientas como monitoreo en tiempo real, detección de amenazas y verificaciones de cumplimiento automatizadas, Lakera asegura que los modelos de IA sean confiables, seguros y dignos de confianza.

Este proyecto de código abierto brinda un marco completo de aprendizaje por refuerzo multi-agente construido sobre PyTorch y Unity ML-Agents. Incluye algoritmos DDPG descentralizados, envoltorios de entornos y scripts de entrenamiento. Los usuarios pueden configurar políticas de agentes, redes críticas, buffers de reproducción y trabajadores de entrenamiento en paralelo. Los hooks de registro permiten monitoreo con TensorBoard, mientras que una estructura modular soporta funciones de recompensa y parámetros de entorno personalizables. El repositorio incluye escenas de ejemplo en Unity demostrando tareas de navegación colaborativa, ideal para ampliar y evaluar escenarios multi-agente en simulaciones.