Java-Action-Shape es una biblioteca de acciones dedicada diseñada para ampliar el marco multiagente LightJason con capacidades geométricas avanzadas. Proporciona a los agentes acciones listas para usar para instanciar formas comunes (círculo, rectángulo, polígono), aplicar transformaciones (trasladar, rotar, escalar) y realizar cálculos analíticos (área, perímetro, centroide). Cada acción es segura para hilos y se integra con el modelo de ejecución asíncrona de LightJason, garantizando procesamiento paralelo eficiente. Los desarrolladores pueden definir formas personalizadas especificando vértices y aristas, registrarlas en el registro de acciones del agente e incluirlas en las definiciones de planes. Centralizando la lógica relacionada con formas, Java-Action-Shape reduce el código repetitivo, garantiza APIs coherentes y agiliza la creación de aplicaciones dirigidas por la geometría, desde simulaciones hasta herramientas educativas.

AgenticSearch es un kit de herramientas de Python de código abierto para construir agentes de IA autónomos que realizan búsquedas web, agregan datos y producen respuestas estructuradas. Integra grandes modelos de lenguaje y APIs de búsqueda para orquestar flujos de trabajo de múltiples pasos: realizar consultas, rastrear resultados, clasificar enlaces relevantes, extraer pasajes clave y resumir hallazgos. Los desarrolladores pueden personalizar el comportamiento del agente, encadenar acciones y monitorear la ejecución para construir asistentes de investigación, herramientas de inteligencia competitiva o recolectores de datos específicos del dominio sin navegación manual.

agent-steps es un marco de orquestación de pasos en Python diseñado para facilitar el desarrollo de agentes AI mediante la descomposición de tareas complejas en pasos discretos y reutilizables. Cada paso encapsula una acción específica, como invocar un modelo de lenguaje, realizar transformaciones de datos o llamadas a APIs externas, y puede pasar contexto a pasos posteriores. La biblioteca soporta ejecución síncrona y asíncrona, permitiendo pipelines escalables. Las herramientas integradas de registro y depuración brindan transparencia en la ejecución de pasos, mientras que su arquitectura modular promueve la mantenibilidad. Los usuarios pueden definir tipos de pasos personalizados, enlazarlos en flujos de trabajo e integrarlos fácilmente en aplicaciones Python existentes. agent-steps es adecuado para construir chatbots, pipelines automatizados de datos, sistemas de soporte para decisiones y otras soluciones de IA de múltiples pasos.

El AWS Bedrock Multi-Agent Blueprint proporciona un marco modular para implementar una arquitectura de múltiples agentes en AWS Bedrock. Incluye código de ejemplo para definir roles de agentes — planificador, investigador, ejecutor y evaluador — que colaboran mediante colas de mensajes compartidas. Cada agente puede invocar diferentes modelos Bedrock con indicaciones personalizadas y pasar salidas intermedias a los agentes siguientes. La integración incorporada con CloudWatch, patrones de manejo de errores y soporte para ejecución sincrónica o asincrónica demuestran cómo gestionar la selección de modelos, tareas por lotes y la orquestación de extremo a extremo. Los desarrolladores clonan el repositorio, configuran roles de AWS IAM y puntos finales de Bedrock y despliegan vía CloudFormation o CDK. El diseño de código abierto fomenta ampliar roles, escalar agentes entre tareas e integrar con S3, Lambda y Step Functions.

Swarms.rs es el entorno de ejecución principal en Rust para ejecutar programas de agentes de IA basados en enjambres. Incluye un sistema modular de plugins para integrar lógica personalizada o modelos de IA, una capa de intercambio de mensajes para comunicación p2p y un ejecutor asíncrono para programar comportamientos de los agentes. Estos componentes permiten a los desarrolladores diseñar, desplegar y escalar redes complejas de agentes descentralizados para tareas de simulación, automatización y colaboración multi-agente.

MGym es un marco especializado para crear y gestionar entornos de aprendizaje por refuerzo multiagente (MARL) en Python. Permite a los usuarios definir escenarios complejos con múltiples agentes, cada uno con espacios de observación y acción personalizables, funciones de recompensa y reglas de interacción. MGym soporta modos de ejecución sincrónica y asincrónica, proporcionando simulaciones de agentes en paralelo y por turnos. Con una API similar a Gym, MGym se integra perfectamente con bibliotecas RL populares como Stable Baselines, RLlib y PyTorch. Incluye módulos de utilidad para evaluación de entornos, visualización de resultados y análisis de rendimiento, facilitando una evaluación sistemática de algoritmos MARL. Su arquitectura modular permite prototipar rápidamente tareas cooperativas, competitivas o de agentes mixtos, empoderando a investigadores y desarrolladores para acelerar la experimentación y la investigación en MARL.

Hyperbolic Time Chamber proporciona un entorno flexible para construir agentes de IA, ofreciendo componentes para gestión de memoria, orquestación de ventanas de contexto, encadenamiento de prompts, integración de herramientas y control de ejecución. Los desarrolladores definen comportamientos de agentes mediante bloques modulares, configuran memorias personalizadas (a corto y largo plazo) y enlazan APIs externas o herramientas locales. El marco incluye soporte asíncrono, registros y utilidades de depuración, permitiendo iteraciones rápidas y despliegues de agentes complejos en proyectos Python.