DEf-MARL (Marco de ejecución descentralizada para aprendizaje por refuerzo multi-agente) proporciona una infraestructura robusta para ejecutar y entrenar agentes cooperativos sin controladores centralizados. Utiliza protocolos de comunicación peer-to-peer para compartir políticas y observaciones entre agentes, permitiendo una coordinación mediante interacciones locales. El framework se integra perfectamente con toolkits RL comunes como PyTorch y TensorFlow, ofreciendo wrappers configurables, recopilación distribuida de rollout y módulos de sincronización de gradientes. Los usuarios pueden definir espacios de observación, funciones de recompensa y topologías de comunicación específicas para cada agente. DEf-MARL soporta adición y eliminación dinámica de agentes en tiempo de ejecución, ejecución tolerante a fallos mediante replicación del estado crítico en nodos, y planificación de comunicación adaptativa para equilibrar exploración y explotación. Acelera el entrenamiento paralizando simulaciones de entornos y reduciendo los cuellos de botella centrales, siendo adecuado para investigación MARL a gran escala y simulaciones industriales.

El marco del Agente RAG Controlable proporciona un enfoque modular para construir sistemas de Generación Aumentada por Recuperación. Permite configurar y encadenar componentes de recuperación, módulos de memoria y estrategias de generación. Los desarrolladores pueden conectar diferentes LLMs, bases de datos vectoriales y controladores de políticas para ajustar cómo se recuperan y procesan los documentos antes de generar. Construido en Python, incluye utilidades para indexar, consultar, rastrear el historial de conversación y flujos de control basados en acciones, lo que lo hace ideal para chatbots, asistentes de conocimiento y herramientas de investigación.

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.