Continuum es un marco de trabajo de Python de código abierto que permite a los desarrolladores construir agentes inteligentes definiendo tareas, herramientas y memoria de manera componible. Los agentes construidos con Continuum siguen un ciclo plan-ejecutar-observar, lo que permite entrelazar el razonamiento de LLM con llamadas a API externas o scripts. Su arquitectura plugin soporta múltiples almacenes de memoria (por ejemplo, Redis, SQLite), bibliotecas de herramientas personalizadas y ejecución asíncrona. Con un enfoque en flexibilidad, los usuarios pueden escribir políticas de agentes personalizadas, integrar servicios de terceros como bases de datos o webhooks, y desplegar agentes en diferentes entornos. La orquestación basada en eventos de Continuum registra las acciones del agente, facilitando la depuración y ajuste del rendimiento. Ya sea automatizando la ingestión de datos, construyendo asistentes conversacionales o orquestando pipelines de DevOps, Continuum proporciona una base escalable para flujos de trabajo de agentes de IA de nivel producción.

multiagent-env es una biblioteca de Python de código abierto diseñada para simplificar la creación y evaluación de entornos de aprendizaje por refuerzo multiagente. Los usuarios pueden definir escenarios tanto cooperativos como adversariales especificando la cantidad de agentes, espacios de acción y observación, funciones de recompensa y la dinámica del entorno. Soporta visualización en tiempo real, renderizado configurable y fácil integración con marcos RL basados en Python como Stable Baselines y RLlib. El diseño modular permite prototipar rápidamente nuevos escenarios y comparar de manera sencilla algoritmos multiagente.

SwiftAgent ofrece un conjunto de herramientas robusto para construir agentes inteligentes integrando directamente los modelos de OpenAI en Swift. Los desarrolladores pueden declarar acciones personalizadas y herramientas externas, que los agentes invocan en función de las consultas del usuario. El framework mantiene la memoria conversacional, permitiendo que los agentes hagan referencia a interacciones pasadas. Soporta plantillas de prompts e inyección dinámica de contexto, facilitando diálogos multilateral y lógica de decisión. La API asíncrona de SwiftAgent funciona perfectamente con la concurrencia de Swift, haciéndolo ideal para entornos de iOS, macOS o en el lado del servidor. Al abstraer llamadas a modelos, almacenamiento de memoria y orquestación de pipelines, SwiftAgent permite a los equipos prototipar y desplegar asistentes conversacionales, chatbots o agentes de automatización rápidamente en proyectos de Swift.

LLM-Agent proporciona una arquitectura estructurada para construir agentes inteligentes usando LLMs. Incluye un conjunto de herramientas para definir herramientas personalizadas, módulos de memoria para preservar el contexto y ejecutores que orquestan cadenas complejas de acciones. Los agentes pueden llamar API, ejecutar procesos locales, consultar bases de datos y gestionar el estado de conversación. Las plantillas de prompts y los hooks de plugins permiten ajustar el comportamiento del agente. Diseñado para la extensibilidad, LLM-Agent soporta añadir nuevas interfaces de herramientas, evaluadores personalizados y rutas dinámicas de tareas, permitiendo investigación automatizada, análisis de datos, generación de código y más.

Agents-Deep-Research está diseñado para agilizar el desarrollo y la prueba de agentes IA autónomos ofreciendo una base de código modular y extensible. Cuenta con un motor de planificación de tareas que descompone objetivos definidos por el usuario en subtareas, un módulo de memoria a largo plazo que almacena y recupera contexto, y una capa de integración de herramientas que permite a los agentes interactuar con API externas y entornos simulados. El marco también proporciona scripts de evaluación y herramientas de benchmarking para medir el rendimiento de los agentes en diversos escenarios. Basado en Python y adaptable a diversos backends LLM, permite a investigadores y desarrolladores prototipar rápidamente nuevas arquitecturas de agentes, realizar experimentos reproducibles y comparar diferentes estrategias de planificación en condiciones controladas.

Azure AI Foundry Agents Samples ofrece a los desarrolladores un conjunto completo de escenarios de ejemplo que ilustran cómo aprovechar los SDK y servicios de Azure AI Foundry. Incluye agentes conversacionales con memoria a largo plazo, agentes planificadores que descomponen tareas complejas, agentes habilitados con herramientas que llaman APIs externas y agentes multimodales combinando texto, visión y habla. Cada ejemplo está preconfigurado con configuraciones de entorno, orquestación de LLM, búsqueda vectorial y telemetría para acelerar la creación de prototipos y el despliegue de soluciones de IA robustas en Azure.

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 proyecto Blockchain AI Agent ofrece una solución integral para construir, desplegar y gestionar agentes IA autónomos en redes blockchain. Ofrece integración nativa de contratos inteligentes para leer y escribir datos en cadena, un motor de decisiones impulsado por algoritmos de aprendizaje automático y una capa de ejecución para autorizar transacciones. Los usuarios pueden configurar estrategias personalizadas, como agricultura de rendimiento, arbitraje de NFTs o votaciones en propuestas DAO, y desplegar sus agentes para que funcionen las 24 horas. Con análisis incorporados, registros y sistema de alertas, el marco garantiza que los agentes actúen de forma segura, transparente y eficiente en ambientes descentralizados.