OpenSpiel es un marco de investigación que proporciona una amplia gama de entornos (desde juegos simples de matriz hasta juegos de tablero complejos como Ajedrez, Go y Póker) e implementa varios algoritmos de aprendizaje por refuerzo y búsqueda (por ejemplo, iteración de valores, métodos de gradiente de política, MCTS). Su núcleo modular en C++ y enlaces en Python permiten a los usuarios integrar algoritmos personalizados, definir nuevos juegos y comparar el rendimiento en benchmarks estándar. Diseñado para extensibilidad, soporta configuraciones de un solo agente y multi-agente, permitiendo estudiar escenarios cooperativos y competitivos. Los investigadores utilizan OpenSpiel para prototipar rápidamente algoritmos, realizar experimentos a gran escala y compartir código reproducible.

Los agentes de aprendizaje por refuerzo para juegos PettingZoo son una biblioteca en Python que ofrece algoritmos listos para usar DQN, PPO y A2C para aprendizaje por refuerzo multiagente en entornos PettingZoo. Cuenta con scripts de entrenamiento y evaluación estandarizados, hiperparámetros configurables, registro integrado en TensorBoard y soporte tanto para juegos competitivos como cooperativos. Los investigadores y desarrolladores pueden clonar el repositorio, ajustar parámetros de entorno y algoritmo, ejecutar sesiones de entrenamiento y visualizar métricas para acelerar la experimentación y comparación en sus experimentos de RL multiagente.

RoboCup Rescue Agent Simulation es un framework de código abierto que modela entornos urbanos donde múltiples agentes impulsados por IA colaboran para localizar y rescatar víctimas. Ofrece interfaces para navegación, mapeo, comunicación e integración de sensores. Los usuarios pueden programar estrategias personalizadas, ejecutar experimentos en lote y visualizar métricas de rendimiento de los agentes. La plataforma soporta configuración de escenarios, registros y análisis de resultados para acelerar la investigación en sistemas multi-agentes y algoritmos de respuesta a desastres.

ROCKET-1 es una plataforma de orquestación de agentes IA de código abierto diseñada para construir sistemas multiaente avanzados. Permite a los usuarios definir pipelines de agentes usando una API modular, logrando encadenar sin problemas modelos de lenguaje, plugins y almacenes de datos. Las funciones clave incluyen memoria semántica para mantener el contexto entre sesiones, integración dinámica de herramientas para APIs externas y bases de datos, y paneles de monitoreo integrados para seguir métricas de rendimiento. Los desarrolladores pueden personalizar los workflows con poca codificación, escalar horizontalmente mediante implementaciones en contenedores y ampliar la funcionalidad mediante una arquitectura de plugins. ROCKET-1 soporta depuración en tiempo real, reintentos automáticos y controles de seguridad, siendo ideal para bots de soporte al cliente, asistentes de investigación y tareas de automatización empresarial.

VacuumWorld es una plataforma de simulación de código abierto diseñada para facilitar el desarrollo y la evaluación de algoritmos de aprendizaje por refuerzo multiagente. Proporciona entornos basados en cuadrícula donde agentes virtuales de aspiradoras operan para detectar y eliminar manchas de suciedad en diseños personalizables. Los usuarios pueden ajustar parámetros como tamaño de cuadrícula, distribución de suciedad, ruido estocástico en movimiento y estructuras de recompensa para modelar diferentes escenarios. El marco incluye soporte integrado para protocolos de comunicación entre agentes, paneles de visualización en tiempo real y utilidades de registro para el seguimiento del rendimiento. Con API de Python simples, investigadores pueden integrar rápidamente sus algoritmos RL, comparar estrategias cooperativas o competitivas y realizar experimentos reproducibles, haciendo que VacuumWorld sea ideal para investigación académica y docencia.

Salieri es una plataforma innovadora diseñada para optimizar el desarrollo de proyectos de IA a través de aplicaciones multiagente. Al aprovechar tecnologías avanzadas de IA, Salieri aumenta la productividad y la eficiencia, facilitando a los equipos la automatización de flujos de trabajo. El diseño intuitivo y las potentes funciones de Salieri permiten a los usuarios traducir ideas detalladas en historias interactivas e ilustradas, perfectas para proyectos narrativos, juegos y más. Con sistemas robustos y eficientes, Salieri integra grafos de conocimiento y motores formales para mejorar la precisión y la rentabilidad de los modelos de IA.

SARL es un sistema para la toma de decisiones y soporta desarrollo dinámico con Eclipse IDE, proporcionando soporte de editor, generación de código, depuración y herramientas de prueba. El motor de runtime puede apuntar a varias plataformas, incluyendo frameworks de simulación (por ejemplo, MadKit, Janus) y sistemas reales en robótica y IoT. Los desarrolladores pueden estructurar aplicaciones MAS complejas ensamblando habilidades y protocolos modulares, simplificando el desarrollo de sistemas IA distribuidos y adaptativos.

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.

OpenAI Swarm es una biblioteca versátil que permite la ejecución paralela y la toma de decisiones basada en consenso a través de múltiples agentes de IA. Broadcasta tareas a instancias de modelos independientes, agrupa sus resultados y aplica esquemas configurables de votación o clasificación para seleccionar el resultado de mayor puntuación. Los desarrolladores pueden ajustar el número de agentes, los umbrales de votación y las combinaciones de modelos para mejorar la fiabilidad, mitigar sesgos individuales y refinar la calidad de las soluciones. Swarm soporta encadenamiento de respuestas, bucles de retroalimentación iterativos y registros detallados de razonamiento para auditoría, elevando el rendimiento en tareas de resumen, clasificación, generación de código y razonamiento complejo mediante inteligencia colectiva.

SuperSwarm está diseñado para orquestar flujos de trabajo impulsados por IA aprovechando múltiples agentes especializados que se comunican y colaboran en tiempo real. Soporta descomposición dinámica de tareas, donde un agente principal divide objetivos complejos en subtareas y las asigna a agentes expertos. Los agentes pueden compartir contexto, intercambiar mensajes y adaptar sus enfoques según resultados intermedios. La plataforma ofrece un panel web, API RESTful y CLI para despliegue y monitoreo. Los desarrolladores pueden definir roles personalizados, configurar topologías de enjambre y ampliar con herramientas externas mediante plugins. SuperSwarm escala horizontalmente usando orquestación de contenedores, asegurando un rendimiento robusto bajo cargas elevadas. Los registros, métricas y visualizaciones ayudan a optimizar las interacciones de los agentes, haciéndola adecuada para tareas como investigación avanzada, automatización de soporte al cliente, generación de código y procesos de toma de decisiones.

AgentSpeak es una implementación de código abierto en Java del lenguaje de programación AgentSpeak(L), diseñada para facilitar la creación y gestión de agentes autónomos BDI (Creencias-Deseos-Intenciones). Cuenta con un entorno de ejecución que analiza el código AgentSpeak(L), mantiene las bases de creencias de los agentes, dispara eventos y selecciona y ejecuta planes basados en las creencias y objetivos actuales. El intérprete soporta ejecución concurrente de agentes, actualizaciones dinámicas de planes y semánticas personalizables. Con una arquitectura modular, los programadores pueden extender componentes centrales como la selección de planes y la revisión de creencias. AgentSpeak permite a académicos e industriales prototipar, simular y desplegar agentes inteligentes en simulaciones, sistemas IoT y escenarios multi-agente.

El repositorio Berkeley Pacman Projects ofrece una base de código Python modular donde los usuarios construyen y prueban agentes IA en un laberinto de Pacman. Guía a los aprendices a través de la búsqueda no informada e informada (DFS, BFS, A*), búsqueda adversarial multiactores (minimax, poda alfa-beta) y aprendizaje por refuerzo (Q-learning con extracción de características). Interfaces gráficas integradas visualizan el comportamiento de los agentes en tiempo real, mientras que los casos de prueba integrados y el autocalificador verifican la corrección. Al iterar sobre las implementaciones de algoritmos, los usuarios adquieren experiencia práctica en exploración del espacio de estados, diseño heurístico, razonamiento adversarial y aprendizaje basado en recompensas dentro de un marco de juego unificado.

El framework UnitMesh ofrece un entorno flexible y modular para definir, gestionar y ejecutar cadenas de agentes IA. Permite una integración sencilla con OpenAI, Anthropic y modelos personalizados, soporta SDKs en Python y Node.js, y ofrece almacenes de memoria incorporados, conectores de herramientas y arquitectura de plugins. Los desarrolladores pueden orquestar flujos de trabajo paralelos o secuenciales, seguir los registros de ejecución y ampliar la funcionalidad mediante módulos personalizados. Su diseño basado en eventos garantiza alto rendimiento y escalabilidad en implementaciones en la nube y en servidores locales.

ElizaOS proporciona un conjunto robusto de herramientas para diseñar, probar y desplegar agentes IA autónomos dentro de proyectos en TypeScript. Los desarrolladores definen personalidades, metas y jerarquías de memoria de los agentes, luego aprovechan el sistema de planificación de ElizaOS para delinear flujos de tarea. Su arquitectura modular de conectores facilita la integración con plataformas de comunicación—Discord, Telegram, Slack, X—y redes blockchain via adaptadores Web3. ElizaOS soporta múltiples backend de LLM (OpenAI, Anthropic, Llama, Gemini), permitiendo cambiar sin problemas entre modelos. El soporte de plugins amplía la funcionalidad con habilidades personalizadas, registro y características de observabilidad. A través de su CLI y SDK, los equipos pueden iterar sobre configuraciones de agentes, monitorear el rendimiento en vivo y escalar despliegues en entornos cloud o en local. ElizaOS capacita a las empresas para automatizar interacciones con clientes, engagement en redes sociales y procesos comerciales con trabajadores digitales autónomos.

EthicalEvalMAS proporciona un entorno modular para evaluar sistemas multiagente en dimensiones éticas clave como justicia, autonomía, privacidad, transparencia y beneficencia. Los usuarios pueden generar escenarios personalizados o utilizar plantillas integradas, definir métricas a medida, ejecutar scripts de evaluación automatizados y visualizar resultados a través de herramientas de informes integradas. Su arquitectura extensible soporta la integración con plataformas MAS existentes y facilita la comparación ética reproducible para diferentes comportamientos de agentes.

La plataforma IntelligentMASPlatform se construye para acelerar el desarrollo y despliegue de sistemas multi-agente ofreciendo una arquitectura modular con capas distintas para agentes, entornos y servicios. Los agentes se comunican usando mensajería ACL compatible con FIPA, lo que permite negociaciones y coordinación dinámica. La plataforma incluye un simulador de entornos versátil que permite modelar escenarios complejos, programar tareas de agentes y visualizar interacciones en tiempo real a través de un tablero integrado. Para comportamientos avanzados, integra módulos de aprendizaje por refuerzo y soporta plugins de comportamiento personalizados. Las herramientas de despliegue permiten empaquetar agentes en aplicaciones independientes o redes distribuidas. Además, la API de la plataforma facilita la integración con bases de datos, dispositivos IoT o servicios de IA de terceros, haciéndola adecuada para investigación, automatización industrial y casos de uso en ciudades inteligentes.

LinkAgent proporciona un microkernel liviano para construir agentes de IA con componentes plug-in. Los usuarios pueden registrar backends de modelos de lenguaje, módulos de recuperación y APIs externas como herramientas, y luego ensamblarlos en flujos de trabajo utilizando planificadores y enrutadores integrados. LinkAgent soporta manejadores de memoria para persistencia de contexto, invocación dinámica de herramientas y lógica de decisiones configurable para razonamiento complejo de múltiples pasos. Con poco código, los equipos pueden automatizar tareas como QA, extracción de datos, orquestación de procesos y generación de informes.

MACL es un marco modular de Python diseñado para simplificar la creación y orquestación de múltiples agentes IA. Permite definir agentes individuales con habilidades personalizadas, configurar canales de comunicación y programar tareas en una red de agentes. Los agentes pueden intercambiar mensajes, negociar responsabilidades y adaptarse dinámicamente según datos compartidos. Con soporte integrado para LLMs populares y un sistema de plugins para extensibilidad, MACL habilita flujos de trabajo IA escalables y mantenibles en ámbitos como automatización de atención al cliente, pipelines de análisis de datos y entornos de simulación.

MultiAgent2 proporciona un conjunto completo de herramientas para orquestar agentes IA autónomos impulsados por grandes modelos de lenguaje. Los desarrolladores pueden definir agentes con personalidades, estrategias y contextos de memoria personalizables, permitiéndoles conversar, compartir información y resolver problemas en conjunto. El framework soporta opciones de almacenamiento intercambiables para memoria a largo plazo, acceso basado en roles a datos compartidos y canales de comunicación configurables para diálogos sincrónicos o asincrónicos. Su CLI y SDK en Python facilitan el prototipado rápido, pruebas y despliegue de sistemas multi-agente en casos que van desde experimentos de investigación, soporte automatizado al cliente, pipelines de generación de contenido y sistemas de apoyo a la decisión. Al abstraer la comunicación entre agentes y la gestión de memoria, MultiAgent2 acelera el desarrollo de aplicaciones complejas impulsadas por 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.