Agent-Squad es un marco modular en Python que permite a los equipos diseñar, desplegar y ejecutar sistemas multiagente para tareas complejas. En su núcleo, Agent-Squad permite configurar perfiles de agentes diversos, como recuperadores de datos, resúmenes, codificadores y validadores, que comunican a través de canales definidos y comparten contextos de memoria. Al descomponer objetivos de alto nivel en subtareas, el marco orquesta procesamiento paralelo y aprovecha LLMs junto con APIs externas, bases de datos o herramientas personalizadas. Los desarrolladores pueden definir flujos de trabajo en JSON o código, monitorear interacciones de agentes y adaptar estrategias dinámicamente usando utilidades integradas de registro y evaluación.

agent-steps es un marco de orquestación de pasos en Python diseñado para facilitar el desarrollo de agentes AI mediante la descomposición de tareas complejas en pasos discretos y reutilizables. Cada paso encapsula una acción específica, como invocar un modelo de lenguaje, realizar transformaciones de datos o llamadas a APIs externas, y puede pasar contexto a pasos posteriores. La biblioteca soporta ejecución síncrona y asíncrona, permitiendo pipelines escalables. Las herramientas integradas de registro y depuración brindan transparencia en la ejecución de pasos, mientras que su arquitectura modular promueve la mantenibilidad. Los usuarios pueden definir tipos de pasos personalizados, enlazarlos en flujos de trabajo e integrarlos fácilmente en aplicaciones Python existentes. agent-steps es adecuado para construir chatbots, pipelines automatizados de datos, sistemas de soporte para decisiones y otras soluciones de IA de múltiples pasos.

AI-Agent es un framework Python extensible diseñado para crear agentes autónomos impulsados por los modelos GPT de OpenAI y LangChain. Incluye módulos para búsquedas en la web, consulta en Wikipedia, funciones de calculadora e integraciones personalizadas de herramientas, permitiendo investigación automatizada, análisis de datos y ejecución de scripts. Los usuarios pueden configurar agentes para planificar tareas de múltiples pasos, interactuar con APIs, generar informes y realizar flujos de trabajo complejos sin intervención manual, optimizando la productividad en desarrollo, ciencia de datos y procesos empresariales.

ANAC-agents es un marco basado en Python que centraliza múltiples implementaciones de agentes de negociación para la Competencia de Agentes de Negociación Automatizados (ANAC). Cada agente en el repositorio implementa distintas estrategias para modelado de utilidad, generación de propuestas, tácticas de concesión y criterios de aceptación, facilitando estudios comparativos y prototipado rápido. Los usuarios pueden definir dominios de negociación con issues y perfiles de preferencias personalizados, y luego simular negociaciones bilaterales o competencias en formato torneo entre agentes. El conjunto de herramientas incluye scripts de configuración, métricas de evaluación y utilidades de registro para analizar la dinámica de negociación. Investigadores y desarrolladores pueden ampliar los agentes existentes, probar algoritmos novedosos o integrar módulos de aprendizaje externo, acelerando la innovación en negociación automática y toma de decisiones estratégicas bajo información incompleta.

El Framework de Agentes Besser ofrece un kit de herramientas modular para definir, coordinar y escalar agentes IA. Permite configurar comportamientos de agentes, integrar herramientas y APIs externas, gestionar la memoria y el estado del agente, y monitorizar la ejecución. Basado en Python, soporta interfaces de plugins extensibles, colaboración multi-agente y registro integrado. Los desarrolladores pueden prototipar rápidamente y desplegar agentes para tareas como extracción de datos, investigaciones automatizadas y asistentes conversacionales, todo dentro de un marco unificado.

Chainlit es un marco Python asincrónico de código abierto diseñado para ayudar a los desarrolladores a construir y desplegar rápidamente aplicaciones escalables de IA conversacional y de agentes. Soporta integraciones con bibliotecas y marcos populares de Python para proporcionar una experiencia de desarrollo fluida. Con Chainlit, los usuarios pueden crear aplicaciones de chat listas para producción que pueden manejar interacciones complejas y mantener el contexto de conversación.

ChatGPT OpenAI Smart Speaker es un marco de desarrollo para crear tu propio asistente de IA activado por voz. Funciona en dispositivos como Raspberry Pi, PCs con Linux, macOS o Windows. Usando bibliotecas estándar de Python para reconocimiento de voz y síntesis de texto a voz, escucha una palabra de activación, captura tu pregunta, la envía a la API ChatGPT de OpenAI y lee las respuestas en tiempo real. Puedes extenderlo con comandos personalizados, integrar controles de hogar inteligente o usarlo para demostraciones educativas de IA de voz.

ModelScope Agent proporciona un marco modular basado en Python para orquestar agentes de IA autónomos. Incluye integración de plugins para herramientas externas ( APIs, bases de datos, búsqueda ), memoria de conversación para preservar contexto y cadenas de agentes personalizables para manejar tareas complejas como recuperación de conocimientos, procesamiento de documentos y soporte de decisiones. Los desarrolladores pueden configurar roles de agentes, comportamientos, y prompts, además de aprovechar múltiples motores LLM para optimizar el rendimiento y la fiabilidad en producción.

CodeFuse-muAgent es un marco de código abierto basado en Python que orquesta múltiples agentes IA autónomos para resolver tareas complejas de manera colaborativa. Los desarrolladores definen agentes individuales con habilidades especializadas — como procesamiento de datos, comprensión del lenguaje natural o interacción con API externas — y configuran protocolos de comunicación para una delegación dinámica de tareas. El marco proporciona gestión centralizada de memoria, registro y monitoreo, manteniéndose independiente del modelo, y soporta integraciones con LLMs populares y modelos IA personalizados. Con CodeFuse-muAgent, los equipos pueden construir flujos de trabajo IA modulares, automatizar procesos de múltiples pasos y escalar despliegues en diversos entornos. Los archivos de configuración flexibles y APIs extensibles permiten prototipado rápido, pruebas y ajuste fino, siendo adecuado para casos de uso en soporte al cliente, generación de contenido, asistentes de investigación, y más.

CUPCAKE AGI (Pipeline Utilitario Composable para Creatividad, Conocimiento y Evolveabilidad en Inteligencia General Autónoma) es un marco flexible de Python que simplifica la construcción de agentes autónomos combinando modelos de lenguaje, memoria y herramientas externas. Ofrece módulos principales incluyendo un planificador de objetivos, un ejecutor de modelos y un gestor de memoria para mantener el contexto durante las interacciones. Los desarrolladores pueden ampliar la funcionalidad mediante plugins para integrar APIs, bases de datos o kits de herramientas personalizados. CUPCAKE AGI admite flujos de trabajo tanto sincrónicos como asincrónicos, lo que lo hace ideal para investigación, prototipado y despliegue de agentes de nivel de producción en diversas aplicaciones.

Cyrano es un marco y CLI de código abierto en Python para crear agentes AI que orquestan modelos de lenguaje amplios y herramientas externas mediante indicaciones en lenguaje natural. Los usuarios pueden definir herramientas personalizadas (funciones), configurar límites de memoria y tokens, y manejar callbacks. Cyrano se encarga de analizar respuestas JSON de los LLMs y ejecutar las herramientas especificadas en secuencia. Enfatiza simplicidad, modularidad y cero dependencias externas, permitiendo a los desarrolladores prototipar chatbots, construir flujos de trabajo automatizados e integrar capacidades AI rápidamente en las aplicaciones.

Fast Reinforcement Learning es un marco Python especializado diseñado para acelerar el desarrollo y la ejecución de agentes de aprendizaje por refuerzo. Ofrece soporte listo para usar para algoritmos populares como PPO, A2C, DDPG y SAC, combinados con gestiones de entornos vectorizados de alto rendimiento. Los usuarios pueden configurar fácilmente redes de políticas, personalizar bucles de entrenamiento y aprovechar la aceleración GPU para experimentos a gran escala. El diseño modular de la biblioteca garantiza una integración fluida con entornos OpenAI Gym, permitiendo a investigadores y practicantes prototipar, hacer benchmarks y desplegar agentes en diversas tareas de control, juegos y simulación.

defaultmodeAGENT es un marco basado en Python que simplifica la creación de agentes inteligentes que realizan flujos de trabajo multi-steps de forma autónoma. Incluye una planificación en modo predeterminado—una estrategia adaptativa para decidir cuándo explorar o explotar—junto con una integración fluida de herramientas y APIs personalizadas. Los agentes mantienen memoria conversacional, soportan prompts dinámicos y ofrecen registros para depuración. Construido sobre la API de OpenAI, permite prototipado rápido de asistentes para extracción de datos, investigación y automatización de tareas.

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.

HMAS es un marco de trabajo de código abierto en Python que permite el desarrollo de sistemas jerárquicos de múltiples agentes. Ofrece abstracciones para definir jerarquías de agentes, protocolos de comunicación entre agentes, integración de entornos y ciclos de entrenamiento incorporados. Investigadores y desarrolladores pueden usar HMAS para prototipar interacciones complejas entre agentes, entrenar políticas coordinadas y evaluar el rendimiento en entornos simulados. Su diseño modular facilita extender y personalizar agentes, entornos y estrategias de entrenamiento.

HFO_DQN combina Python y TensorFlow para ofrecer un pipeline completo para entrenar agentes de fútbol usando Deep Q-Networks. Los usuarios pueden clonar el repositorio, instalar dependencias incluyendo el simulador HFO y bibliotecas Python, y configurar los parámetros de entrenamiento en archivos YAML. El marco implementa reproducción de experiencias, actualizaciones del red objetivo, exploración epsilon-greedy y modelado de recompensas adaptado al dominio de ofensiva de medio campo. Incluye scripts para entrenamiento de agentes, registro de rendimiento, partidas de evaluación y visualización de resultados. La estructura modular permite integrar arquitecturas de redes neuronales personalizadas, algoritmos RL alternativos y estrategias de coordinación multiagente. Las salidas incluyen modelos entrenados, métricas de rendimiento y visualizaciones del comportamiento, facilitando investigaciones en aprendizaje por refuerzo y sistemas multiagente.

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.

LangChain es un marco de Python de código abierto diseñado para acelerar el desarrollo de aplicaciones impulsadas por IA. Proporciona abstracciones para encadenar múltiples llamadas a modelos de lenguaje (cadenas), construir agentes que interactúan con herramientas externas y gestionar la memoria de las conversaciones. Los desarrolladores pueden definir indicaciones, analizadores de salida y flujos de trabajo de extremo a extremo. Las integraciones incluyen almacenes vectoriales, bases de datos, APIs y plataformas de alojamiento, permitiendo chatbots listos para producción, análisis de documentos, asistentes de código y pipelines de IA personalizados.

LeanAgent es un marco basado en Python diseñado para facilitar la creación de agentes IA autónomos. Ofrece módulos de planificación integrados que aprovechan grandes modelos de lenguaje para la toma de decisiones, una capa de integración de herramientas extensible para llamar a API externas o scripts personalizados, y un sistema de gestión de memoria que mantiene el contexto entre interacciones. Los desarrolladores pueden configurar flujos de trabajo del agente, integrar herramientas personalizadas, iterar rápidamente con utilidades de depuración y desplegar agentes listos para producción para diversos dominios.

El marco LLM Maze Agent proporciona un entorno basado en Python para construir agentes inteligentes capaces de navegar laberintos de cuadrícula utilizando grandes modelos de lenguaje. Al combinar interfaces modulares de entorno con plantillas de prompting en cadena de pensamiento y planificación heurística, el agente consulta iterativamente a un LLM para decidir las direcciones de movimiento, adaptarse a obstáculos y actualizar su representación del estado interno. La compatibilidad lista para usar con modelos de OpenAI y Hugging Face permite una integración sin problemas, mientras que la generación de laberintos configurable y la depuración paso a paso facilitan la experimentación con diferentes estrategias. Los investigadores pueden ajustar funciones de recompensa, definir espacios de observación personalizados y visualizar rutas del agente para analizar procesos de razonamiento. Este diseño hace que LLM Maze Agent sea una herramienta versátil para evaluar la planificación basada en LLM, enseñar conceptos de IA y comparar el rendimiento de los modelos en tareas de razonamiento espacial.