Symbol-LLM ofrece una arquitectura modular para la construcción de agentes de IA impulsados por modelos de lenguaje grandes aumentados con almacenes de memoria simbólica. Cuenta con un módulo planificador para desglosar tareas complejas, un ejecutor para invocar herramientas y un sistema de memoria para mantener el contexto a través de las interacciones. Con kits de herramientas integrados como búsqueda web, calculadora y ejecutor de código, además de APIs simples para la integración de herramientas personalizadas, Symbol-LLM permite a desarrolladores e investigadores prototipar y desplegar rápidamente asistentes sofisticados basados en LLM para diversos dominios, incluyendo investigación, soporte al cliente y automatización de flujos de trabajo.

Los sistemas multi-agente están diseñados para simplificar la creación, configuración y ejecución de arquitecturas basadas en agentes distribuidos. Los desarrolladores pueden definir comportamientos de agentes, ontologías de comunicación y descripciones de servicios en clases Java. El framework gestiona la configuración de contenedores, el transporte de mensajes y la gestión del ciclo de vida de los agentes. Basado en protocolos estándar FIPA, soporta negociación peer-to-peer, planificación colaborativa y extensión modular. Los usuarios pueden ejecutar, monitorear y depurar escenarios multi-agente en una sola máquina o en hosts conectados, siendo ideal para investigación, educación y despliegues a pequeña escala.

El repositorio ofrece un tutorial paso a paso y una implementación de referencia para crear un agente de IA basado en ReAct que utilice DeepSeek para recuperación vectorial de alta dimensión. Cubre la configuración del entorno, la instalación de dependencias y la configuración de las tiendas de vectores para datos personalizados. El agente emplea el patrón ReAct para combinar las trayectorias de razonamiento con búsquedas de conocimientos externas, resultando en respuestas transparentes y explicables. Los usuarios pueden ampliar el sistema integrando cargadores de documentos adicionales, ajustando plantillas de prompts o intercambiando bases de datos vectoriales. Este marco flexible permite a desarrolladores e investigadores crear prototipos rápidamente de agentes conversacionales potentes que razonan, recuperan e interactúan sin problemas con diversas fuentes de conocimiento en pocas líneas de código Python.

Self-Determining AI Agents es un framework basado en Python diseñado para simplificar la creación de agentes IA autónomos. Cuenta con un ciclo de planificación personalizable donde los agentes generan tareas, planifican estrategias y ejecutan acciones utilizando herramientas integradas. El framework incluye módulos de memoria persistentes para mantener el contexto, un sistema de programación de tareas flexible y ganchos para integraciones de herramientas personalizadas como API web o consultas a bases de datos. Los desarrolladores definen metas del agente mediante archivos de configuración o código, y la biblioteca maneja el proceso de decisión iterativo. Soporta registro de logs, monitoreo del rendimiento y puede extenderse con nuevos algoritmos de planificación. Ideal para investigación, automatización de flujos de trabajo y prototipado de sistemas multi-agente inteligentes.

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.

Dial4JaCa es un plugin de biblioteca Java para la plataforma multiagentes JaCaMo que intercepta los mensajes entre agentes, codifica las intenciones del agente y las enruta a través de backend LLM (OpenAI, modelos locales). Gestiona el contexto del diálogo, actualiza las bases de creencias e integra la generación de respuestas directamente en los ciclos de razonamiento AgentSpeak(L). Los desarrolladores pueden personalizar las indicaciones, definir artefactos de diálogo y manejar llamadas asincrónicas, permitiendo a los agentes interpretar enunciados del usuario, coordinar tareas y recuperar información externa en lenguaje natural. Su diseño modular soporta gestión de errores, registro en logs y selección de múltiples LLM, ideal para investigación, educación y prototipado rápido de sistemas multiagentes conversacionales.

FAgent ofrece una arquitectura modular para construir agentes de IA, incluyendo abstracciones de entornos, interfaces de políticas y conectores de herramientas. Es compatible con servicios LLM populares, implementa gestión de memoria para retención de contexto y proporciona una capa de observabilidad para registro y monitoreo de acciones de los agentes. Los desarrolladores pueden definir herramientas y acciones personalizadas, orquestar flujos de trabajo de múltiples pasos y realizar evaluaciones basadas en simulaciones. FAgent también incluye plugins para recopilación de datos, métricas de rendimiento y pruebas automatizadas, haciéndolo adecuado para investigación, prototipado y despliegues en producción de agentes autónomos en diversos dominios.

FreeAct utiliza una arquitectura modular para facilitar la creación de agentes IA. Los desarrolladores definen objetivos de alto nivel y configuran el módulo de planificación para generar planes paso a paso. El componente de razonamiento evalúa la viabilidad del plan, mientras que el motor de ejecución coordina llamadas API, consultas a bases de datos e interacciones con herramientas externas. La gestión de memoria sigue el contexto de la conversación y los datos históricos, permitiendo a los agentes tomar decisiones informadas. Un registro de entorno simplifica la integración de herramientas y servicios personalizados, permitiendo una adaptación dinámica. FreeAct soporta múltiples backend LLM y puede desplegarse en servidores locales o entornos en la nube. Su naturaleza de código abierto y diseño extensible facilitan la creación rápida de prototipos de agentes inteligentes para investigación y uso en producción.

Hapticlabs ofrece un kit de herramientas intuitivo sin código diseñado para crear interacciones hápticas personalizadas. Los usuarios pueden diseñar fácilmente retroalimentación háptica, construir prototipos funcionales y probar sus diseños en varios dispositivos. Hapticlabs Studio, DevKit y la aplicación móvil permiten la evaluación en tiempo real sin necesidad de codificación. Adecuado para el desarrollo de productos, la educación, la investigación y proyectos de bricolaje, Hapticlabs agiliza el proceso de incorporación de la háptica en sus productos, mejorando la experiencia del usuario con retroalimentación tangible.

Este marco de código abierto combina la biblioteca de modelado de agentes AgentSimJs con el motor gráfico 3D de Three.js para ofrecer simulaciones multi-agente interactivas basadas en navegador. Los usuarios pueden definir tipos de agentes, comportamientos y reglas ambientales, configurar detección de colisiones y manejo de eventos, y visualizar simulaciones en tiempo real con opciones de renderizado personalizables. La biblioteca soporta controles dinámicos, gestión de escenas y ajuste de rendimiento, haciéndola ideal para investigación, educación y prototipado de escenarios complejos basados en agentes.

Odyssey proporciona una arquitectura flexible para construir sistemas colaborativos de múltiples agentes. Incluye componentes clave como el Gestor de Tareas para definir y distribuir subtareas, Módulos de Memoria para almacenar el contexto y el historial de conversaciones, Controladores de Agentes para coordinar agentes potenciados por LLM y Gestores de Herramientas para integrar APIs externas o funciones personalizadas. Los desarrolladores pueden configurar flujos de trabajo mediante archivos YAML, seleccionar núcleos LLM preconstruidos (por ejemplo, GPT-4, modelos locales) y ampliar fácilmente con nuevas herramientas o módulos de memoria. Odyssey registra interacciones, soporta ejecución asíncrona de tareas y bucles de refinamiento iterativo, siendo ideal para investigación, prototipado y aplicaciones productivas con múltiples agentes.