OmniMind0 es un marco de IA basado en agentes completo, escrito en Python, que permite la creación y orquestación de múltiples agentes autónomos. Cada agente puede configurarse para manejar tareas específicas—como recuperación de datos, resumen o toma de decisiones—compartiendo estado a través de sistemas de memoria pluggables como Redis o archivos JSON. Su arquitectura de plugins permite ampliar funcionalidades con APIs externas o comandos personalizados. Soporta modelos de OpenAI, Azure y Hugging Face, y ofrece despliegue vía CLI, servidor API REST o Docker para integración flexible en tus flujos de trabajo.

RinSim proporciona un entorno de simulación modular enfocado en modelar escenarios logísticos dinámicos con múltiples agentes autónomos. Los usuarios pueden definir redes viales mediante estructuras de grafo, configurar flotas de vehículos incluyendo modelos eléctricos con restricciones de batería, y simular solicitudes estocásticas de recogida y entrega. La arquitectura de eventos discretos garantiza una temporización precisa y gestión de eventos, mientras que algoritmos de enrutamiento integrados y comportamientos de agentes personalizables permiten experimentos exhaustivos. RinSim soporta métricas de salida como tiempo de viaje, consumo energético y nivel de servicio, además de módulos de visualización para análisis en tiempo real y post-simulación. Su diseño extensible permite la integración de algoritmos personalizados, escalar a flotas grandes y reproducir flujos de trabajo de investigación, siendo esencial para la optimización de estrategias de movilidad en ámbitos académicos e industriales.

Saiki es un framework de orquestación de agentes de código abierto que permite a los desarrolladores crear flujos de trabajo complejos impulsados por IA escribiendo definiciones declarativas en YAML. Cada agente puede realizar tareas, llamar servicios externos o invocar otros agentes en una secuencia encadenada. Saiki proporciona un servidor REST API integrado, trazado de ejecución, salida detallada de logs y un panel web para monitoreo en tiempo real. Soporta reintentos, fallbacks y extensiones personalizadas, facilitando la iteración, depuración y escalado de pipelines de automatización robustos.

Swarm Squad aprovecha agentes IA autónomos que trabajan en conjunto para gestionar y ejecutar flujos de trabajo complejos. Los usuarios definen objetivos y configuran roles de agentes—como investigación, redacción, análisis y programación—a través de una interfaz intuitiva. Cada agente se especializa en su función, intercambiando datos y retroalimentación para perfeccionar los resultados de manera iterativa. La plataforma se integra con servicios populares como Google Drive, Slack y sistemas CRM, permitiendo una transferencia fluida de datos y traspaso de tareas. Paneles en tiempo real monitorean el rendimiento de los agentes, mientras que alertas automáticas aseguran intervenciones oportunas. Funciones avanzadas de personalización permiten a los usuarios programar comportamientos de agentes personalizados y activar flujos de trabajo condicionales, ofreciendo una solución unificada de extremo a extremo para campañas de marketing, alcance a clientes, generación de informes y otros procesos críticos de negocio.

Este repositorio ofrece un marco multi-agente personalizable que simula un centro de llamadas de taxi. Define agentes de IA distintos: CustomerAgent para solicitar viajes, DispatchAgent para seleccionar conductores según proximidad, DriverAgent para confirmar asignaciones y actualizar estados, y NotificationAgent para facturación y mensajes. Los agentes interactúan a través de un ciclo de orquestación usando llamadas GPT de OpenAI y memoria, permitiendo diálogo asíncrono, manejo de errores y registros. Los desarrolladores pueden ampliar o adaptar las solicitudes de los agentes, integrar sistemas en tiempo real y prototipar flujos de trabajo de atención al cliente y despacho impulsados por IA con facilidad.

Tongui Agent proporciona una arquitectura modular para crear agentes de IA que puedan mantener el estado de la conversación, aprovechar herramientas externas y coordinar múltiples sub-agentes. Los desarrolladores configuran los backends LLM, definen acciones personalizadas y ajustan módulos de memoria para almacenar el contexto. El marco incluye un SDK, CLI y hooks middleware para observabilidad, facilitando su integración en aplicaciones web o Node.js. Los LLM soportados incluyen OpenAI, Azure OpenAI y modelos de código abierto.

Java-Action-Shape es una biblioteca de acciones dedicada diseñada para ampliar el marco multiagente LightJason con capacidades geométricas avanzadas. Proporciona a los agentes acciones listas para usar para instanciar formas comunes (círculo, rectángulo, polígono), aplicar transformaciones (trasladar, rotar, escalar) y realizar cálculos analíticos (área, perímetro, centroide). Cada acción es segura para hilos y se integra con el modelo de ejecución asíncrona de LightJason, garantizando procesamiento paralelo eficiente. Los desarrolladores pueden definir formas personalizadas especificando vértices y aristas, registrarlas en el registro de acciones del agente e incluirlas en las definiciones de planes. Centralizando la lógica relacionada con formas, Java-Action-Shape reduce el código repetitivo, garantiza APIs coherentes y agiliza la creación de aplicaciones dirigidas por la geometría, desde simulaciones hasta herramientas educativas.

El agente LLMLing es un marco modular para construir, configurar y desplegar agentes de IA impulsados por grandes modelos de lenguaje. Los usuarios pueden instanciar múltiples roles de agentes, conectar herramientas externas o APIs, gestionar la memoria conversacional y orquestar flujos de trabajo complejos. La plataforma incluye un espacio de prueba basado en navegador que visualiza las interacciones de los agentes, registra el historial de mensajes y permite ajustes en tiempo real. Con un SDK en Python, los desarrolladores pueden escribir comportamientos personalizados, integrar bases de datos vectoriales y extender el sistema a través de plugins. El agente LLMLing simplifica la creación de chatbots, bots de análisis de datos y asistentes automatizados proporcionando componentes reutilizables y abstracciones claras para la colaboración entre múltiples agentes.

OpenAI Swarm Node orquesta llamadas simultáneas a múltiples agentes ChatGPT, recopila las salidas individuales, aplica la estrategia de agregación elegida—como votación mayoritaria o ponderación personalizada—y devuelve una respuesta unificada de consenso. Su arquitectura extensible soporta control granular sobre los parámetros del modelo, manejo de errores, lógica de reintentos y ejecución asíncrona, permitiendo a los desarrolladores integrar inteligencia de enjambre en cualquier aplicación Node.js para mayor precisión y coherencia en la toma de decisiones basada en IA.

PommerLearn permite a investigadores y desarrolladores entrenar bots RL multi-agente en el entorno de juego Pommerman. Incluye implementaciones listas para usar de algoritmos populares (PPO, DQN), archivos de configuración flexibles para hiperparámetros, registro automático y visualización de métricas de entrenamiento, guardado de modelos y scripts de evaluación. Su arquitectura modular facilita la extensión con nuevos algoritmos, la personalización de entornos y la integración con bibliotecas ML estándar como PyTorch.

Team Coordination es una biblioteca ligera de Python diseñada para simplificar la orquestación de múltiples agentes de IA que trabajan juntos en tareas complejas. Definiendo roles especializados como planificadores, ejecutores, evaluadores o comunicadores, los usuarios pueden descomponer un objetivo alto en subtareas manejables, delegarlas a agentes individuales y facilitar una comunicación estructurada. El marco maneja ejecución asíncrona, enrutamiento de protocolos y agregación de resultados, permitiendo la colaboración eficiente de equipos de agentes de IA. Su sistema de plugins soporta integración con LLMs populares, APIs y lógica personalizada, ideal para aplicaciones en servicio al cliente automatizado, investigación, IA en juegos y pipelines de procesamiento de datos. Con abstracciones claras y componentes extensibles, Team Coordination acelera el desarrollo de flujos de trabajo multi-agentes escalables.

CASA está diseñada como un marco de autonomía modular, plug-and-play, basado en el ecosistema Robot Operating System (ROS). Presenta una arquitectura descentralizada donde cada robot ejecuta planificadores locales y nodos de árboles de comportamiento, publicando en una pizarra compartida para actualizaciones del estado del mundo. La asignación de tareas se gestiona mediante algoritmos de subasta que asignan misiones en función de las capacidades y disponibilidad del robot. La capa de comunicación usa mensajes ROS estándar en redes multi-robot para sincronizar los agentes. Los desarrolladores pueden personalizar parámetros de misión, integrar controladores de sensores y ampliar las bibliotecas de comportamiento. CASA soporta simulación de escenarios, monitoreo en tiempo real y herramientas de registro. Su diseño extensible permite a los equipos de investigación experimentar con nuevos algoritmos de coordinación y desplegar sin problemas en diversas plataformas robóticas, desde vehículos terrestres no tripulados hasta drones aéreos.

Agent Forge simplifica todo el ciclo de vida del desarrollo de agentes de IA ofreciendo comandos CLI para generar código base, plantillas de conversación y configuraciones. Los desarrolladores pueden definir roles de agentes, agregar proveedores LLM e integrar herramientas externas como bases de datos vectoriales, APIs REST y plugins personalizados usando descriptores YAML o JSON. El framework permite ejecución local, pruebas interactivas y empaquetado de agentes en imágenes Docker o funciones sin servidor para facilitar su despliegue. La integración de registro de logs, perfiles de entorno y hooks VCS simplifica la depuración, colaboración y pipelines CI/CD. Esta arquitectura flexible soporta la creación de chatbots, asistentes de investigación autónomos, bots de soporte al cliente y flujos de trabajo automatizados con mínimo setup.

Agentic Seek aprovecha los modelos GPT de OpenAI y un kit de herramientas personalizado para automatizar todo el ciclo de investigación web. Los usuarios definen objetivos de alto nivel, y el sistema genera sub-agentes especializados para ejecutar consultas de búsqueda, navegar por sitios web, extraer información clave mediante scraping y resumir hallazgos. Soporta refinamiento iterativo, permitiendo que los agentes revisen y actualicen resultados según nuevas ideas. Los desarrolladores pueden ampliar sus capacidades integrando gestores de acciones personalizados y conectores API. Ideal para inteligencia competitiva, investigación académica, análisis de mercado y recopilación de grandes volúmenes de datos, Agentic Seek reduce la navegación manual, acelera la toma de decisiones y garantiza una cobertura completa de múltiples fuentes en línea. La plataforma incluye una interfaz web para monitorear la actividad de los agentes y revisar resultados intermedios. Con registros integrados, prompts personalizables y trazas de auditoría, los equipos pueden rastrear decisiones de los agentes para garantizar transparencia, cumplimiento y aseguramiento de calidad.

El repositorio Agent Supervisor Demonstrates muestra cómo orquestar varios agentes de IA autónomos en un flujo de trabajo coordinado. Escrito en Python, define una clase Supervisor para despachar tareas, monitorear el estado de los agentes, manejar fallas y agregar respuestas. Puedes extender las clases base de agentes, conectar diferentes API de modelos y configurar políticas de programación. Registra actividades para auditoría, soporta ejecución paralela y ofrece un diseño modular para fácil personalización e integración en sistemas de IA más grandes.

Agentic Website Dev automatiza el desarrollo de sitios web coordinando agentes AI especializados. Un agente analiza las solicitudes del usuario para redactar la estructura del sitio, otro genera plantillas responsivas en HTML y CSS, mientras que un agente de codificación implementa funciones dinámicas en JavaScript. Finalmente, un agente de despliegue empaqueta y publica el sitio en plataformas como Vercel o Netlify. Este marco abstrae todo el flujo de trabajo—planificación, codificación, pruebas y despliegue—permitiendo una creación rápida de prototipos y iteraciones. Los desarrolladores definen los requisitos del sitio en inglés sencillo y los agentes colaboran para producir un sitio completamente funcional y en vivo. Esto reduce la codificación manual, acelera el tiempo de lanzamiento y democratiza el desarrollo web para stakeholders no técnicos.

AGNO Agentes IA ofrece una suite de agentes IA predefinidos y personalizables que manejan diversas tareas: resumir grandes documentos, extraer e interpretar contenido web, responder consultas específicas del dominio, revisar código fuente, analizar conjuntos de datos y alimentar chatbots con memoria. Su diseño modular permite agregar nuevas herramientas o integrar API externas. Los agentes se orquestan mediante pipelines de LangChain y se exponen a través de endpoints REST. AGNO soporta flujos de trabajo multi-agente, registro y despliegue sencillo, permitiendo a los desarrolladores acelerar la automatización impulsada por IA en sus aplicaciones.

El Dynamic Multi-Agent RAG Pathway ofrece una arquitectura modular donde cada agente maneja tareas específicas — como recuperación de documentos, búsqueda vectorial, resumen de contexto o generación — mientras un orquestador central enruta dinámicamente entradas y salidas entre ellos. Los desarrolladores pueden definir agentes personalizados, ensamblar pipelines mediante archivos de configuración sencillos y aprovechar soporte integrado para registro, monitoreo y plugins. Este marco acelera el desarrollo de soluciones RAG complejas, permitiendo la descomposición adaptativa de tareas y el procesamiento paralelo para mejorar el rendimiento y la precisión.

El solucionador de N-Reinas basado en GA utiliza una arquitectura modular multiagente 2APL donde cada agente codifica una configuración candidata para las N-Reinas. Los agentes evalúan su aptitud contando pares de reinas no atacantes y comparten configuraciones de alta aptitud con otros. Las operaciones genéticas—selección, cruce y mutación—se aplican a la población de agentes para generar nuevas configuraciones candidatas. A lo largo de varias iteraciones, los agentes convergen colectivamente en soluciones válidas de las N-Reinas. El framework está implementado en Java, soporta ajuste de parámetros para tamaño de población, tasa de cruce, probabilidad de mutación y protocolos de comunicación de agentes, y proporciona logs detallados y visualizaciones del proceso evolutivo.

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.