El Agente de IA para Investigación Profunda es un marco en Python de código abierto, diseñado para realizar tareas de investigación exhaustivas. Utiliza búsqueda web integrada, ingesta de PDFs y pipelines de NLP para descubrir fuentes relevantes, analizar documentos técnicos y extraer insights estructurados. El agente encadena solicitudes mediante LangChain y OpenAI, permitiendo respuestas contextualizadas, formateo automático de citas y resumen de múltiples documentos. Los investigadores pueden ajustar ámbitos de búsqueda, filtrar por fecha de publicación o dominio, y generar informes en markdown o JSON. Esta herramienta minimiza el tiempo de revisión manual de literatura y garantiza resúmenes de alta calidad y consistentes en diversas áreas de investigación.

MADDPG escalable es un marco orientado a la investigación para el aprendizaje por refuerzo multiagente, ofreciendo una implementación escalable del algoritmo MADDPG. Cuenta con críticos centralizados durante el entrenamiento y actores independientes en tiempo de ejecución para estabilidad y eficiencia. La biblioteca incluye scripts Python para definir entornos personalizados, configurar arquitecturas de red y ajustar hiperparámetros. Los usuarios pueden entrenar múltiples agentes en paralelo, monitorear métricas y visualizar las curvas de aprendizaje. Se integra con entornos similares a OpenAI Gym y soporta aceleración GPU vía TensorFlow. Gracias a sus componentes modulares, MADDPG escalable permite experimentos flexibles en tareas multiagente cooperativas, competitivas o mixtas, facilitando prototipado rápido y benchmarking.

Este repositorio implementa comunicación emergente en aprendizaje por refuerzo multiagente usando PyTorch. Los usuarios pueden configurar redes neuronales para emisores y receptores para jugar a juegos referenciales o navegación cooperativa, fomentando que los agentes desarrollen un canal de comunicación discreto o continuo. Incluye scripts para entrenamiento, evaluación y visualización de protocolos aprendidos, además de utilidades para crear entornos, codificar y decodificar mensajes. Los investigadores pueden extenderlo con tareas personalizadas, modificar arquitecturas de red y analizar la eficiencia del protocolo, promoviendo experimentos rápidos en comunicación emergente de agentes.