Autogpt es un marco de trabajo en Rust enfocado en desarrolladores para construir agentes IA autónomos. Ofrece interfaces tipadas para la API de OpenAI, gestión de memoria incorporada, encadenamiento de contexto y soporte de plugins extensible. Los agentes pueden configurarse para realizar prompts encadenados, mantener el estado de la conversación y ejecutar tareas dinámicas de forma programada. Adecuado para incrustarse en herramientas CLI, servicios backend o prototipos de investigación, Autogpt simplifica la orquestación de flujos de trabajo IA complejos aprovechando el rendimiento y la seguridad de Rust.

CityLearn proporciona una plataforma de simulación modular para la investigación en gestión energética usando aprendizaje por refuerzo. Los usuarios pueden definir agrupaciones de edificios multi-zona, configurar sistemas HVAC, unidades de almacenamiento y fuentes renovables, y luego entrenar agentes RL frente a eventos de respuesta a la demanda. El entorno expone observaciones de estado como temperaturas, perfiles de carga y precios de energía, mientras que las acciones controlan puntos de consigna y despachos de almacenamiento. Una API de recompensas flexible permite métricas personalizadas, como ahorros en costos o reducción de emisiones, y las utilidades de registro soportan análisis de rendimiento. CityLearn es ideal para benchmarking, aprendizaje por currículo y desarrollo de nuevas estrategias de control en un marco de investigación reproducible.

El motor de integración LLM a MCP es un marco de código abierto diseñado para integrar modelos de lenguaje grandes (LLMs) con varias plataformas de comunicación de mensajería (MCPs). Proporciona adaptadores para APIs de LLM como OpenAI y Anthropic, y conectores para plataformas de chat como Slack, Discord y Telegram. El motor gestiona el estado de la sesión, enriquece el contexto y enruta mensajes bidireccionalmente. Su arquitectura basada en plugins permite a los desarrolladores ampliar el soporte a nuevos proveedores y personalizar la lógica empresarial, acelerando la implementación de agentes de IA en entornos de producción.

Multi-Agent Surveillance ofrece un marco de simulación flexible donde múltiples agentes IA actúan como depredadores o evasores en un mundo de cuadrícula discreto. Los usuarios pueden configurar parámetros del entorno como dimensiones de la cuadrícula, número de agentes, radios de detección y estructuras de recompensa. El repositorio incluye clases en Python para comportamiento de agentes, scripts de generación de escenarios, visualización incorporada mediante matplotlib y una integración fluida con bibliotecas populares de aprendizaje por refuerzo. Esto facilita la creación de referencias para la coordinación multi-agente, desarrollo de estrategias de vigilancia personalizadas y realización de experimentos reproducibles.