CybMASDE permite a investigadores y desarrolladores construir, configurar y ejecutar simulaciones multiagente con aprendizaje por refuerzo profundo. Los usuarios pueden crear escenarios personalizados, definir roles de agentes y funciones de recompensa, y conectar algoritmos RL estándar o personalizados. El marco incluye servidores de entorno, interfaces de agentes en red, recolectores de datos y utilidades de renderizado. Soporta entrenamiento paralelo, monitoreo en tiempo real y guardado de modelos. La arquitectura modular de CybMASDE facilita la integración sin problemas de nuevos agentes, espacios de observación y estrategias de entrenamiento, acelerando experimentos en control cooperativo, comportamiento de enjambre, asignación de recursos y otros casos de uso multiagente.

Eliza es un marco de conversación ligero y de código abierto que simula a un psicoterapeuta mediante reconocimiento de patrones y plantillas de scripts. Los desarrolladores pueden definir scripts, patrones y variables de memoria personalizadas para adaptar respuestas y flujos de conversación. Funciona en cualquier navegador moderno o entorno WebView, soporta múltiples sesiones y registra las interacciones para análisis. Su arquitectura extensible permite integrar en páginas web, aplicaciones móviles o wrappers de escritorio, haciendo que sea una herramienta versátil para educación, investigación, desarrollo de prototipos e instalaciones interactivas.

SwarmZero ofrece un entorno escalable de código abierto para definir, gestionar y ejecutar enjambres de agentes de IA. Los desarrolladores pueden declarar roles de agentes, personalizar indicaciones y encadenar flujos de trabajo mediante una API unificada del orquestador. El marco se integra con principales proveedores de LLM, soporta extensiones mediante plugins y registra datos de sesiones para depuración y análisis de rendimiento. Ya sea coordinando bots de investigación, creadores de contenido o analistas de datos, SwarmZero agiliza la colaboración multi-agente y garantiza resultados transparentes y reproducibles.

RAGENT está diseñado para crear agentes de IA autónomos que puedan interactuar con diversas herramientas y fuentes de datos. Internamente, utiliza generación aumentada por recuperación para obtener contexto relevante de archivos locales o fuentes externas, y luego compone respuestas mediante modelos de OpenAI. Los desarrolladores pueden agregar herramientas para búsqueda web, automatización del navegador con Selenium, operaciones de lectura/escritura en archivos, ejecución de código en sandbox seguros y OCR para extracción de texto en imágenes. El framework gestiona la memoria de conversación, orquesta las herramientas y soporta plantillas de prompts personalizadas. Con RAGENT, los equipos pueden prototipar rápidamente agentes inteligentes para preguntas y respuestas en documentos, automatización de investigación, resumen de contenidos y automatización completa de flujos de trabajo, todo en un entorno Python.

Lagent es un framework enfocado en desarrolladores que permite crear agentes inteligentes sobre grandes modelos de lenguaje. Ofrece módulos de planificación dinámica que dividen tareas en subobjetivos, almacenes de memoria para mantener el contexto en sesiones prolongadas y interfaces de integración de herramientas para llamadas API o acceso a servicios externos. Con pipelines personalizables, los usuarios definen comportamientos del agente, estrategias de prompting, manejo de errores y análisis de resultados. Las herramientas de registro y depuración de Lagent ayudan a monitorear los pasos de decisión, mientras que su arquitectura escalable soporta despliegues locales, en la nube o empresariales. Acelera la construcción de asistentes autónomos, analizadores de datos y automatizaciones de flujo de trabajo.

LaVague es un marco de código abierto diseñado para crear y desplegar agentes web de manera rápida y eficiente. Los usuarios pueden crear varios agentes que automatizan tareas en aplicaciones web, desde la entrada de datos hasta la recuperación completa de información. El marco es compatible con la integración de modelos locales, como Llama 3 8b, lo que lo convierte en una opción versátil para las empresas que buscan mejorar sus operaciones con automatización impulsada por IA. Con LaVague, los desarrolladores pueden adaptar agentes para ajustarse a flujos de trabajo específicos, mejorando así la productividad y la eficiencia.

El Sistema de Agentes Lingüísticos es un marco de Python de código abierto diseñado para construir agentes inteligentes que aprovechan modelos de lenguaje para planificar y ejecutar tareas. Incluye componentes para gestión de memoria, registro de herramientas, planificador y ejecutor, permitiendo a los agentes mantener contexto, llamar APIs externas, realizar búsquedas web y automatizar flujos de trabajo. Configurable mediante YAML, soporta múltiples proveedores de LLM, facilitando el prototipado rápido de chatbots, resúmers de contenido y asistentes autónomos. Los desarrolladores pueden ampliar la funcionalidad creando herramientas y backends de memoria personalizados, y desplegar agentes localmente o en servidores.

El sistema RAG potenciado por LLM es un marco enfocado en desarrolladores para construir pipelines RAG. Proporciona módulos para incrustar colecciones de documentos, indexar vía FAISS, Pinecone o Weaviate, y recuperar contexto relevante en tiempo de ejecución. Utiliza wrappers de LangChain para orquestar llamadas a LLM, soporta plantillas de prompts, respuestas en streaming y adaptadores de múltiples vectores. Simplifica la implementación de extremo a extremo de RAG para bases de conocimiento, permitiendo personalización en cada etapa — desde la configuración del modelo de embedding hasta el diseño del prompt y el postprocesamiento de resultados.

llm-lab proporciona un conjunto de herramientas flexible para crear agentes inteligentes que utilizan grandes modelos de lenguaje. Incluye un motor de orquestación de agentes, soporte para plantillas de prompts personalizadas, seguimiento de memoria y estado, e integración sin problemas con APIs y plugins externos. Los usuarios pueden escribir escenarios, definir cadenas de herramientas, simular interacciones y recopilar registros de rendimiento. El marco también ofrece un conjunto de pruebas incorporado para validar el comportamiento de los agentes contra resultados esperados. Diseñado para ser extensible, llm-lab permite a los desarrolladores cambiar proveedores de LLM, agregar nuevas herramientas y evolucionar la lógica de los agentes mediante experimentación iterativa.

MAPF_G2RL es un marco de investigación de código abierto que conecta la teoría de grafos y el aprendizaje por refuerzo profundo para abordar el problema de búsqueda de caminos multi-agente (MAPF). Codifica nodos y aristas en representaciones vectoriales, define funciones de recompensa espacial y sensibles a colisiones, y soporta diversos algoritmos RL como DQN, PPO y A2C. El marco automatiza la creación de escenarios generando grafos aleatorios o importando mapas del mundo real, y organiza ciclos de entrenamiento que optimizan políticas para múltiples agentes simultáneamente. Tras el aprendizaje, los agentes son evaluados en entornos simulados para medir la optimalidad de caminos, el tiempo de Makespan y tasas de éxito. Su diseño modular permite a investigadores extender componentes básicos, integrar nuevas técnicas MARL y hacer benchmarking contra solucionadores clásicos.

MiniAgent es un marco de trabajo minimalista de código abierto construido en Python para construir agentes de IA autónomos capaces de planificar y ejecutar flujos de trabajo complejos. En su núcleo, MiniAgent incluye un módulo de planificación de tareas que descompone objetivos de alto nivel en pasos ordenados, un controlador de ejecución que ejecuta cada paso secuencialmente, y adaptadores integrados para integrar herramientas y APIs externas, incluyendo servicios web, bases de datos y scripts personalizados. También cuenta con un sistema de gestión de memoria liviano para preservar el contexto de conversaciones o tareas. Los desarrolladores pueden registrar fácilmente complementos de acciones personalizadas, definir reglas de política para la toma de decisiones y extender las funcionalidades de las herramientas. Con soporte para modelos de OpenAI y LLMs locales, MiniAgent permite la creación rápida de prototipos de chatbots, trabajadores digitales y pipelines automatizados, todo bajo una licencia MIT.

mini-AlphaStar desmitifica la arquitectura compleja de AlphaStar ofreciendo un marco accesible y de código abierto en PyTorch para el desarrollo de IA en StarCraft II. Incluye codificadores de características espaciales para entradas de pantalla y minimapa, procesamiento de características no espaciales, módulos de memoria LSTM, y redes separadas de política y valor para la selección de acciones y evaluación del estado. Utiliza aprendizaje por imitación para comenzar y aprendizaje por refuerzo con auto-juego para afinar, soporta wrappers de entorno compatibles con pysc2, registro con TensorBoard y hiperparámetros configurables. Investigadores y estudiantes pueden generar conjuntos de datos a partir de partidas humanas, entrenar modelos en escenarios personalizados, evaluar el rendimiento del agente y visualizar curvas de aprendizaje. La base modular del código facilita experimentar con variantes de redes, programas de entrenamiento y configuraciones multi-agente. Diseñado para educación y prototipado, no para despliegue en producción.

Multi-Agent Systems proporciona una caja de herramientas completa para crear, controlar y observar las interacciones entre agentes autónomos. Los desarrolladores pueden definir clases de agentes con lógica de decisión personalizada, configurar entornos complejos con recursos y reglas configurables, e implementar canales de comunicación para el intercambio de información. El marco soporta planificación sincrónica y asincrónica, comportamientos impulsados por eventos, e integra registros para métricas de rendimiento. Los usuarios pueden extender módulos principales o integrar modelos de IA externos para mejorar la inteligencia de los agentes. Las herramientas de visualización representan simulaciones en tiempo real o en post-proceso, ayudando a analizar comportamientos emergentes y optimizar parámetros del sistema. Desde investigación académica hasta prototipos de aplicaciones distribuidas, Multi-Agent Systems simplifica las simulaciones end-to-end de multiagentes.

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.

La Arquitectura Multi-Agente proporciona una plataforma escalable y extensible para definir, registrar y coordinar múltiples agentes IA que trabajan juntos en un objetivo compartido. Incluye un intermediario de mensajes, gestión del ciclo de vida, generación dinámica de agentes y protocolos de comunicación personalizables. Los desarrolladores pueden construir agentes especializados (por ejemplo, recuperadores de datos, procesadores NLP, responsables de toma de decisiones) e integrarlos en el entorno de ejecución principal para gestionar tareas que van desde la agregación de datos hasta flujos de decisiones autónomas. Su diseño modular soporta extensiones mediante plugins y se integra con modelos ML existentes o APIs.

Multi-Agent ColComp es un marco extensible y de código abierto para orquestar un equipo de agentes IA en tareas complejas. Los desarrolladores pueden definir roles de agentes distintos, configurar canales de comunicación y compartir datos contextuales mediante un almacenamiento unificado. La biblioteca incluye componentes plug-and-play para negociación, coordinación y construcción de consenso. Los ejemplos muestran generación de texto colaborativa, planificación distribuida y simulaciones multi-agente. Su diseño modular facilita la extensión rápida y la evaluación de estrategias multi-agente en entornos de investigación o producción.

MultiAgentPacman ofrece un entorno de juego en Python donde los usuarios pueden implementar, visualizar y comparar múltiples agentes de IA en el dominio Pacman. Soporta algoritmos de búsqueda adversarial como minimax, expectimax, poda alfa-beta, así como agentes personalizados basados en aprendizaje por refuerzo o heurísticas. El marco incluye una interfaz gráfica sencilla, controles en línea de comandos y utilidades para registrar estadísticas de juego y comparar el rendimiento de los agentes en escenarios competitivos o cooperativos.

MultiAgentPuzzleSolver proporciona un entorno modular donde agentes de IA independientes trabajan juntos para resolver rompecabezas como fichas deslizantes, Cubo de Rubik y cuadrículas lógicas. Los agentes comparten información de estado, negocian asignaciones de subtareas y aplican diversas heurísticas para explorar el espacio de soluciones más eficazmente que los enfoques de un solo agente. Los desarrolladores pueden integrar nuevos comportamientos de agentes, personalizar protocolos de comunicación y añadir definiciones de rompecabezas. El marco incluye herramientas para visualización en tiempo real, recopilación de métricas de rendimiento y automatización de experimentos. Es compatible con Python 3.8+, bibliotecas estándar y conjuntos de herramientas ML populares para una integración fluida en proyectos de investigación.

OpenAI Agents MCP Server proporciona una base sólida para desplegar y gestionar agentes autónomos impulsados por modelos de OpenAI. Expone una API RESTful flexible para crear, configurar y controlar agentes, permitiendo a los desarrolladores orquestar tareas de múltiples pasos, coordinar interacciones entre agentes y mantener memoria persistente entre sesiones. El marco soporta integraciones de herramientas tipo plugin, registros avanzados de conversaciones y estrategias de planificación personalizables. Al abstraer las preocupaciones de infraestructura, MCP Server agiliza el proceso de desarrollo, facilitando prototipado rápido y despliegue escalable de asistentes conversacionales, automatización de flujos de trabajo y empleados digitales impulsados por IA en entornos de producción.

RoboCup Rescue Agent Simulation es un framework de código abierto que modela entornos urbanos donde múltiples agentes impulsados por IA colaboran para localizar y rescatar víctimas. Ofrece interfaces para navegación, mapeo, comunicación e integración de sensores. Los usuarios pueden programar estrategias personalizadas, ejecutar experimentos en lote y visualizar métricas de rendimiento de los agentes. La plataforma soporta configuración de escenarios, registros y análisis de resultados para acelerar la investigación en sistemas multi-agentes y algoritmos de respuesta a desastres.