Aurora proporciona una arquitectura modular para construir agentes de IA generativos que pueden abordar tareas complejas de manera autónoma mediante planificación y ejecución iterativas. Consiste en un componente planificador que descompone objetivos altos en pasos accionables, un ejecutor que invoca estos pasos usando grandes modelos de lenguaje, y una capa de integración de herramientas para conectar APIs, bases de datos o funciones personalizadas. Aurora también incluye gestión de memoria para retener contexto y capacidades de replanificación dinámica para ajustarse a información nueva. Con prompts personalizables y módulos plug-and-play, los desarrolladores pueden prototipar rápidamente agentes de IA para tareas como generación de contenido, investigación, soporte al cliente o automatización de procesos, manteniendo control total sobre los flujos de trabajo y la lógica de decisión.

GPA-LM es un marco basado en Python diseñado para simplificar la creación y orquestación de agentes de IA impulsados por grandes modelos de lenguaje. Incluye un planificador que descompone instrucciones de alto nivel en subtareas, un ejecutor que gestiona llamadas a herramientas e interacciones, y un módulo de memoria que mantiene el contexto entre sesiones. La arquitectura de plugins permite a los desarrolladores añadir herramientas, APIs y lógica de decisión personalizadas. Con soporte de múltiples agentes, GPA-LM puede coordinar roles, distribuir tareas y agregar resultados. Se integra fácilmente con LLMs populares como OpenAI GPT y soporta despliegue en diversos entornos. El marco acelera el desarrollo de agentes autónomos para investigación, automatización y prototipado de aplicaciones.