Coaty es un conjunto de herramientas de código abierto escrito en TypeScript para desarrollar aplicaciones IoT colaborativas y descentralizadas usando agentes de software. Ofrece un entorno de ejecución de contenedores que aloja instancias de agentes, un servicio de descubrimiento y un registro para la búsqueda dinámica de recursos, además de capas de comunicación pub/sub para la distribución de eventos. Los adaptadores de almacenamiento integrados sincronizan el estado entre dispositivos, mientras que un modelo de datos flexible permite extender y compartir objetos de dominio. Coaty soporta múltiples protocolos de transporte como MQTT y WebSocket, facilitando una interoperabilidad robusta y en tiempo real entre entornos Edge, Fog y Cloud sin puntos únicos de fallo.

Coffee-Shop-AI-Agents es un marco de código abierto para construir y desplegar agentes de IA especializados que automatizan funciones clave en cafeterías. Aprovechando LangChain y modelos de OpenAI, el proyecto proporciona agentes modulares, incluyendo un agente barista que maneja pedidos complejos, ofrece recomendaciones de personalización y gestiona la disponibilidad de ingredientes. El agente cajero procesa pagos, emite recibos digitales y rastrea métricas de ventas. Un agente gerente genera previsiones de inventario, sugiere programas de reabastecimiento y analiza datos de rendimiento. Con prompts y configuraciones de pipeline personalizables, los desarrolladores pueden adaptar rápidamente estos agentes a las políticas y menús específicos de la tienda. El repositorio incluye scripts de configuración, integraciones API y workflows de ejemplo para simular interacciones con clientes realistas y análisis operativos en un entorno amigable para desarrolladores.

Agentic Workflow es un marco declarativo que permite a los desarrolladores definir flujos de trabajo de IA complejos mediante la cadena de múltiples agentes basados en LLM, cada uno con roles, prompts y lógica de ejecución personalizables. Ofrece soporte incorporado para orquestación de tareas, gestión de estado, manejo de errores e integraciones de plugins, permitiendo una interacción fluida entre agentes y herramientas externas. La biblioteca utiliza Python y configuraciones en YAML para abstraer las definiciones de agentes, soporta flujos de ejecución asíncronos y ofrece extensibilidad mediante conectores y plugins personalizados. Como proyecto de código abierto, incluye ejemplos detallados, plantillas y documentación para ayudar a los equipos a acelerar el desarrollo y mantener ecosistemas de agentes de IA complejos.

AI Agents with LangGraph aprovecha una representación gráfica para definir relaciones y comunicaciones entre agentes de IA autónomos. Cada nodo representa un agente o una herramienta, permitiendo la descomposición de tareas, personalización de prompts y enrutamiento dinámico de acciones. El marco se integra perfectamente con LLMs populares y soporta funciones de herramientas personalizadas, almacenes de memoria y registros para depuración. Los desarrolladores pueden prototipar flujos complejos, automatizar procesos de múltiples pasos y experimentar con interacciones colaborativas entre agentes con solo unas líneas de código Python.

AIKitchen proporciona un kit de herramientas en Python amigable para desarrolladores, que permite componer agentes de IA como bloques modulares. En su núcleo, ofrece definiciones de pipelines con etapas para preprocesamiento, invocación de LLM, ejecución de herramientas y recuperación de memoria. La integración con proveedores de LLM populares ofrece flexibilidad, mientras que los almacenes de memoria incorporados rastrean el contexto de la conversación. Los desarrolladores pueden incorporar tareas personalizadas, aprovechar la generación aumentada por recuperación para acceso al conocimiento y recopilar métricas estandarizadas para monitorear el rendimiento. También incluye capacidades de orquestación de flujos de trabajo, soportando flujos secuenciales y condicionales entre múltiples agentes. Con su arquitectura de plugins, AIKitchen simplifica el desarrollo end-to-end de agentes, desde el prototipado de ideas de investigación hasta el despliegue en entornos productivos de trabajadores digitales escalables.

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.