DocumentAI-Backend es un marco backend liviano que automatiza la extracción de texto, campos de formulario y datos estructurados de documentos. Ofrece puntos finales API REST para subir PDFs o imágenes, procesarlos mediante Google Document AI con fallback OCR, y devolver resultados analizados en JSON. Construido con Python, FastAPI y Docker, permite una integración rápida en sistemas existentes, despliegues escalables y personalización mediante pipelines y middleware configurables.

LiteMultiAgent ofrece un SDK modular para construir y ejecutar múltiples agentes de IA en paralelo o en secuencia, cada uno con roles y responsabilidades únicos. Proporciona almacenes de memoria integrados, canalizaciones de mensajes, adaptadores de plugins y bucles de ejecución para gestionar comunicaciones complejas entre agentes. Los usuarios pueden personalizar comportamientos de los agentes, integrar herramientas o APIs externas y monitorear conversaciones a través de registros. El diseño liviano del framework y la gestión de dependencias lo hacen ideal para prototipado rápido y despliegue en producción de flujos de trabajo colaborativos de IA.

Agent Script proporciona una capa de scripting declarativa sobre modelos de lenguaje grandes, permitiéndote escribir scripts en YAML o JSON que definan flujos de trabajo del agente, llamadas a herramientas y uso de memoria. Puedes conectar OpenAI, LLM locales u otros proveedores, conectar APIs externas como herramientas y configurar backends de memoria a largo plazo. El marco gestiona la gestión del contexto, ejecución asíncrona y registros detallados de forma predeterminada. Con un mínimo código, puedes prototipar chatbots, flujos RPA, agentes de extracción de datos o bucles de control personalizados, facilitando la creación, prueba y despliegue de automatizaciones alimentadas por IA.

Fast-LLM-Agent-MCP es un marco de trabajo Python ligero de código abierto para construir agentes IA que combinan gestión de memoria, razonamiento en cadena y planificación en múltiples pasos. Los desarrolladores pueden integrarlo con OpenAI, Azure OpenAI, Llama local y otros modelos para mantener el contexto de la conversación, generar rastros de razonamiento estructurados y descomponer tareas complejas en subtareas ejecutables. Su diseño modular permite la integración de herramientas personalizadas y almacenes de memoria, ideal para aplicaciones como asistentes virtuales, sistemas de apoyo a decisiones y bots de soporte al cliente automatizados.

Flocking Multi-Agent proporciona una biblioteca modular para simular agentes autónomos que exhiben inteligencia de enjambre. Codifica comportamientos centrales de dirección: cohesión, separación y alineación, además de evitación de obstáculos y persecución de objetivos dinámicos. Utilizando Python y Pygame para visualización, permite ajustar parámetros como el radio del vecino, velocidad máxima y fuerza de giro. Soporta extensibilidad mediante funciones personalizadas de comportamiento y ganchos de integración para plataformas robóticas o motores de juego. Ideal para experimentación en IA, robótica, desarrollo de juegos e investigación académica, demostrando cómo reglas locales simples conducen a formaciones globales complejas.

InfantAgent ofrece una estructura ligera para diseñar y desplegar agentes inteligentes en Python. Se integra con LLMs populares (OpenAI, Hugging Face), soporta módulos de memoria persistente y permite cadenas de herramientas personalizadas. De serie, incluye una interfaz conversacional, orquestación de tareas y toma de decisiones basada en políticas. La arquitectura de plugins del marco permite una fácil extensión para herramientas y APIs específicas del dominio, ideal para prototipar agentes de investigación, automatizar flujos de trabajo o integrar asistentes IA en aplicaciones.

js-agent proporciona a los desarrolladores un conjunto de herramientas minimalista pero potente para crear agentes IA autónomos en JavaScript. Ofrece abstracciones para la memoria de conversación, herramientas de llamada de funciones, estrategias de planificación personalizables y manejo de errores. Con js-agent, puedes conectar rápidamente indicaciones, administrar el estado, invocar APIs externas y orquestar comportamientos complejos de agentes a través de una API simple y modular. Diseñado para ejecutarse en entornos Node.js, se integra perfectamente con la API de OpenAI para potenciar agentes inteligentes y contextualizados.

En la práctica, LlamaSim te permite definir múltiples agentes impulsados por IA usando el modelo Llama, configurar escenarios de interacción y ejecutar simulaciones controladas. Puedes personalizar las personalidades de los agentes, la lógica de decisión y los canales de comunicación usando APIs Python sencillas. El marco gestiona automáticamente la construcción de prompts, el análisis de respuestas y el seguimiento del estado de la conversación. Registra todas las interacciones y ofrece métricas de evaluación integradas como coherencia de respuestas, tasa de finalización de tareas y latencia. Con su arquitectura de plugins, puedes integrar fuentes de datos externas, añadir funciones de evaluación personalizadas o extender las capacidades de los agentes. El núcleo ligero de LlamaSim lo hace adecuado para desarrollo local, pipelines CI o despliegues en la nube, facilitando investigación reproducible y validación de prototipos.

Melissa proporciona una arquitectura ligera y extensible para construir agentes impulsados por IA sin requerir un extenso código boilerplate. En su núcleo, el framework utiliza un sistema basado en plugins donde los desarrolladores pueden registrar acciones personalizadas, conectores de datos y módulos de memoria. El subsistema de memoria permite la conservación del contexto a través de interacciones, mejorando la continuidad conversacional. Los adaptadores de integración permiten a los agentes obtener y procesar información desde API, bases de datos o archivos locales. Combinando una API sencilla, herramientas CLI y interfaces estandarizadas, Melissa agiliza tareas como automatizar consultas de clientes, generar informes dinámicos o orquestar flujos de trabajo de múltiples pasos. El framework es independiente del lenguaje para integraciones, adecuado para proyectos centrados en Python y puede desplegarse en entornos Linux, macOS o Docker.

SelfDrivingCarSimulator es un marco Python liviano basado en Pygame que ofrece un entorno de conducción 2D para entrenar agentes de vehículos autónomos usando aprendizaje por refuerzo. Soporta diseños de pistas personalizables, modelos de sensores configurables (como LiDAR y cámaras), visualización en tiempo real y registro de datos para análisis de rendimiento. Los desarrolladores pueden integrar sus algoritmos RL, ajustar parámetros físicos y monitorear métricas como velocidad, tasa de colisiones y funciones de recompensa para avanzar rápidamente en proyectos de investigación y educación en conducción autónoma.

AgentSimJS está diseñada para simplificar la creación y ejecución de modelos escalables basados en agentes en JavaScript. Con su arquitectura modular, los desarrolladores pueden definir agentes con estados personalizados, sensores, funciones de decisión y actuadores, y luego integrarlos en entornos dinámicos parametrizados por variables globales. El marco orquesta simulaciones con pasos discretos en el tiempo, gestiona mensajes basados en eventos entre agentes y registra datos de interacción para análisis. Los módulos de visualización soportan renderizado en tiempo real usando HTML5 Canvas o bibliotecas externas, mientras que los plugins permiten integración con herramientas estadísticas. AgentSimJS funciona tanto en navegadores modernos como en Node.js, siendo adecuado para aplicaciones web interactivas, investigación académica, herramientas educativas y prototipado rápido en inteligencia colectiva, dinámica de multitudes o experimentos de IA distribuida.