Acme es un marco basado en Python que simplifica el desarrollo y la evaluación de agentes de aprendizaje por refuerzo. Ofrece una colección de implementaciones predefinidas de agentes (por ejemplo, DQN, PPO, SAC), envoltorios de entornos, buffers de repetición y motores de ejecución distribuidos. Los investigadores pueden combinar componentes para prototipar nuevos algoritmos, monitorear métricas de entrenamiento con registro incorporado y aprovechar pipelines distribuidos escalables para experimentos a gran escala. Acme se integra con TensorFlow y JAX, soporta entornos personalizados mediante interfaces OpenAI Gym, y incluye utilidades para guardar, evaluar y configurar hiperparámetros.

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.

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.

Autonomais es un marco modular de agentes IA diseñado para una autonomía completa en la planificación y ejecución de tareas. Integra grandes modelos de lenguaje para generar planes, orquesta acciones mediante una canalización personalizable y almacena el contexto en módulos de memoria para razonamiento coherente de múltiples pasos. Los desarrolladores pueden conectar herramientas externas como scrapers web, bases de datos y APIs, definir manejadores de acciones personalizados y ajustar el comportamiento del agente a través de habilidades configurables. El marco soporta registro, manejo de errores y depuración paso a paso, garantizando una automatización confiable de tareas de investigación, análisis de datos e interacciones web. Con su arquitectura extensible basada en plugins, Autonomais permite el desarrollo rápido de agentes especializados capaces de tomar decisiones complejas y utilizar herramientas de forma dinámica.

El SDK Swarms simplifica la creación, configuración y ejecución de sistemas multiagente colaborativos usando modelos de lenguaje grandes. Los desarrolladores definen agentes con roles distintos—investigador, sintetizador, crítico—y los agrupan en enjambres que intercambian mensajes a través de un bus compartido. El SDK se encarga de la programación, la persistencia del contexto y el almacenamiento de memoria, permitiendo una resolución iterativa de problemas. Con soporte nativo para OpenAI, Anthropic y otros proveedores LLM, ofrece integraciones flexibles. Utilidades para registro, agregación de resultados y evaluación del rendimiento ayudan a los equipos a prototipar y desplegar flujos de trabajo impulsados por IA para lluvia de ideas, generación de contenido, resumen y soporte a decisiones.

El entorno de búsqueda cooperativa proporciona un entorno de aprendizaje por refuerzo multiagente flexible y compatible con gym, diseñado para tareas de búsqueda cooperativa en espacios en cuadrícula discretos y continuos. Los agentes operan bajo observabilidad parcial y pueden compartir información basándose en topologías de comunicación personalizables. El marco soporta escenarios predefinidos como búsqueda y rescate, seguimiento de objetivos dinámicos y mapeo colaborativo, con API para definir entornos personalizados y estructuras de recompensa. Se integra a la perfección con bibliotecas RL populares como Stable Baselines3 y Ray RLlib, incluye utilidades de registro para análisis de rendimiento y herramientas de visualización integradas para monitoreo en tiempo real. Los investigadores pueden ajustar tamaños de cuadrículas, conteo de agentes, rangos de sensores y mecanismos de compartición de recompensas para evaluar estrategias de coordinación y probar nuevos algoritmos de manera efectiva.

Multi-Agent-LLM está diseñado para facilitar la orquestación de múltiples agentes de IA impulsados por modelos de lenguaje grandes. Los usuarios pueden definir agentes individuales con personalidades únicas, almacenamiento de memoria e integración con herramientas o APIs externas. Un agente central, AgentManager, gestiona los bucles de comunicación, permitiendo a los agentes intercambiar mensajes en un entorno compartido y avanzar colaborativamente hacia objetivos complejos. El framework soporta cambiar proveedores de LLM (por ejemplo, OpenAI, Hugging Face), plantillas de prompts flexibles, historiales de conversación y contextos de herramientas paso a paso. Los desarrolladores se benefician de utilidades incorporadas para registros, manejo de errores y spawning dinámico de agentes, permitiendo automatizar flujos de trabajo multi-etapa, tareas de investigación y pipelines de toma de decisiones.

Shepherding es un marco de simulación de código abierto diseñado para investigadores y desarrolladores de aprendizaje por refuerzo para estudiar e implementar tareas de pastoreo con múltiples agentes. Proporciona un entorno compatible con Gym donde los agentes pueden aprender a realizar comportamientos como rodear, recopilar y dispersar grupos objetivo en espacios continuos o discretos. El marco incluye funciones modulares de configuración de recompensas, parametrización del entorno y utilidades de registro para monitorear el rendimiento del entrenamiento. Los usuarios pueden definir obstáculos, poblaciones dinámicas de agentes y políticas personalizadas usando TensorFlow o PyTorch. Los scripts de visualización generan gráficos de trayectorias y grabaciones de videos de interacciones de agentes. La arquitectura modular de Shepherding permite una integración sin problemas con bibliotecas RL existentes, permitiendo experimentos reproducibles, benchmarking de estrategias de coordinación novedosas y desarrollo rápido de soluciones de pastoreo basadas en IA.

Super-Agent-Party permite a los desarrolladores definir un objeto Party donde agentes IA individuales desempeñan roles distintos como planificación, investigación, redacción y revisión. Cada agente puede ser configurado con prompts personalizados, herramientas y parámetros de modelos. El framework gestiona el enrutamiento de mensajes y el contexto compartido, permitiendo la colaboración en tiempo real en tareas secundarias. Soporta integración de plugins para servicios de terceros, estrategias flexibles de orquestación y rutinas de manejo de errores. Con una API intuitiva, los usuarios pueden añadir o eliminar agentes dinámicamente, encadenar flujos de trabajo y visualizar las interacciones de los agentes. Basado en Node.js y compatible con principales proveedores de la nube, Super-Agent-Party agiliza el desarrollo de sistemas multi-agente escalables y mantenibles para automatización, generación de contenido, análisis de datos y más.

El marco BeeAI ofrece una arquitectura completamente modular para construir agentes inteligentes capaces de realizar tareas, gestionar estados e interactuar con herramientas externas. Incluye un gestor de memoria para retención de contexto a largo plazo, un sistema de plugins para integración de habilidades personalizadas, y soporte integrado para encadenamiento de APIs y coordinación multi-agente. El framework proporciona SDKs en Python y JavaScript, una interfaz de línea de comandos para crear proyectos y scripts de despliegue para cloud, Docker o dispositivos Edge. Paneles de control y utilidades de registro ayudan a monitorear el rendimiento de los agentes y resolver problemas en tiempo real.

DeepMind MAS Environment es una biblioteca en Python que proporciona una interfaz estandarizada para construir y simular tareas de aprendizaje por refuerzo multiagente. Permite a los usuarios configurar el número de agentes, definir los espacios de observación y acción, y personalizar las estructuras de recompensa. El marco soporta canales de comunicación entre agentes, registro de rendimiento y capacidades de renderizado. Los investigadores pueden integrar sin problemas DeepMind MAS Environment con bibliotecas RL populares como TensorFlow y PyTorch para evaluar nuevos algoritmos, probar protocolos de comunicación y analizar dominios de control discretos y continuos.

openai-agents-python es un paquete Python completo diseñado para ayudar a los desarrolladores a construir agentes IA totalmente autónomos. Ofrece abstracciones para la planificación del agente, integración de herramientas, estados de memoria y bucles de ejecución. Los usuarios pueden registrar herramientas personalizadas, especificar objetivos del agente y dejar que el marco coordine el razonamiento paso a paso. La biblioteca también incluye utilidades para probar y registrar acciones del agente, haciendo más fácil iterar sobre comportamientos y solucionar tareas complejas de múltiples pasos.

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.

NeuralABM es una biblioteca de código abierto en Python que aprovecha PyTorch para integrar redes neuronales en el modelado basado en agentes. Los usuarios pueden especificar arquitecturas de agentes como módulos neuronales, definir dinámicas del entorno y entrenar comportamientos de agentes mediante retropropagación en pasos de simulación. El framework soporta señales de recompensa personalizadas, aprendizaje por currículo y actualizaciones síncronas o asíncronas, permitiendo estudiar fenómenos emergentes. Con utilidades para registro, visualización y exportación de conjuntos de datos, investigadores y desarrolladores pueden analizar el rendimiento de los agentes, depurar modelos y iterar en el diseño de simulaciones. NeuralABM simplifica la combinación de aprendizaje por refuerzo con ABM para aplicaciones en ciencias sociales, economía, robótica y comportamientos de NPC en juegos impulsados por IA. Ofrece componentes modulares para personalizar entornos, soporta interacciones multi-agente y proporciona hooks para integrar conjuntos de datos externos o API en simulaciones del mundo real. El diseño abierto fomenta la reproducibilidad y colaboración mediante una configuración clara de experimentos y la integración con control de versiones.