Los sistemas multi-agente están diseñados para simplificar la creación, configuración y ejecución de arquitecturas basadas en agentes distribuidos. Los desarrolladores pueden definir comportamientos de agentes, ontologías de comunicación y descripciones de servicios en clases Java. El framework gestiona la configuración de contenedores, el transporte de mensajes y la gestión del ciclo de vida de los agentes. Basado en protocolos estándar FIPA, soporta negociación peer-to-peer, planificación colaborativa y extensión modular. Los usuarios pueden ejecutar, monitorear y depurar escenarios multi-agente en una sola máquina o en hosts conectados, siendo ideal para investigación, educación y despliegues a pequeña escala.

Los Agentes Económicos Autónomos (AEA) de Fetch.ai son un marco versátil que permite a los desarrolladores diseñar, implementar y orquestar agentes de software autónomos capaces de interactuar entre sí, con entornos externos y con registros digitales. Aprovechando una arquitectura basada en plugins, AEA proporciona módulos preconstruidos para protocolos de comunicación, APIs de libros mayores criptográficos, identidad descentralizada y habilidades de toma de decisiones personalizables. Los agentes pueden descubrir y realizar transacciones en mercados descentralizados, realizar comportamientos dirigidos a objetivos y adaptarse mediante flujos de datos en tiempo real. El marco soporta herramientas de simulación para probar y depurar escenarios multi-agente, así como desplegar en blockchains en vivo o redes peer-to-peer. Con interoperabilidad incorporada y mensajería entre agentes, AEA simplifica el desarrollo de aplicaciones económicas autónomas complejas, como comercio de energía, optimización de cadenas de suministro y coordinación inteligente en IoT.

Swarms.rs es el entorno de ejecución principal en Rust para ejecutar programas de agentes de IA basados en enjambres. Incluye un sistema modular de plugins para integrar lógica personalizada o modelos de IA, una capa de intercambio de mensajes para comunicación p2p y un ejecutor asíncrono para programar comportamientos de los agentes. Estos componentes permiten a los desarrolladores diseñar, desplegar y escalar redes complejas de agentes descentralizados para tareas de simulación, automatización y colaboración multi-agente.

El repositorio del Protocolo de Contrato en Red proporciona una implementación completa en Java del protocolo de interacción FIPA Contract Net. Los desarrolladores pueden crear agentes gestores y contratistas que intercambian CFP (Llamada a propuestas), propuestas, aceptaciones y rechazos a través de canales de comunicación de agentes. El código incluye módulos principales para difundir tareas, recopilar ofertas, evaluar propuestas en función de criterios personalizables, adjudicar contratos y monitorear el estado de ejecución. Puede integrarse en marcos de trabajo con múltiples agentes o usarse como una biblioteca independiente para simulaciones de investigación, programación industrial o coordinación robótica.

JaCaMo ofrece un entorno unificado para diseñar y ejecutar sistemas multiagente (MAS) integrando tres componentes principales: el lenguaje de programación de agentes Jason para agentes basados en BDI, CArtAgO para modelado del entorno con artefactos, y Moise para definir estructuras organizacionales y roles. Los desarrolladores pueden escribir planes de agentes, definir artefactos con operaciones y organizar grupos de agentes bajo marcos normativos. La plataforma incluye herramientas para simulación, depuración y visualización de interacciones MAS. Con soporte para ejecución distribuida, repositorios de artefactos y comunicación flexible, JaCaMo permite prototipado rápido y investigaciones en áreas como inteligencia en enjambre, robótica colaborativa y toma de decisiones distribuidas. Su diseño modular asegura escalabilidad y extensibilidad en proyectos académicos e industriales.

El plugin GAMA Genstar añade capacidades de IA generativa a la plataforma GAMA proporcionando conectores a OpenAI, LLMs locales y endpoints de modelos personalizados. Los usuarios definen prompts y pipelines en GAML para generar decisiones de agentes, descripciones de entornos o parámetros de escenarios al vuelo. El plugin soporta llamadas API síncronas y asíncronas, almacenamiento en caché de respuestas y ajuste de parámetros. Facilita la integración de modelos de lenguaje natural en simulaciones a gran escala, reduciendo la escritura manual y fomentando comportamientos de agentes más ricos y adaptativos.

JADE-DR-VPP es un marco de Java de código abierto que implementa un sistema multi-agente para la respuesta a la demanda (DR) en plantas de energía virtuales (VPP). Cada agente representa una carga o unidad de generación flexible que se comunica mediante mensajería JADE. El sistema orquesta eventos DR, programa ajustes de carga y agrega recursos para cumplir con las señales de la red. Los usuarios pueden configurar comportamientos de agentes, ejecutar simulaciones a gran escala y analizar métricas de rendimiento para estrategias de gestión energética.

NVIDIA Isaac es una plataforma avanzada de robótica de NVIDIA, diseñada para empoderar a los desarrolladores en la creación y implementación de sistemas robóticos habilitados para IA. Incluye herramientas y marcos poderosos que permiten la integración sin problemas de algoritmos de aprendizaje automático para la percepción, navegación y control. La plataforma admite simulación, capacitación y despliegue de agentes de IA en tiempo real, lo que la hace adecuada para diversas aplicaciones, incluyendo automatización de almacenes, computación en el borde e investigación robótica.

Multi-Agent ColComp es un marco extensible y de código abierto para orquestar un equipo de agentes IA en tareas complejas. Los desarrolladores pueden definir roles de agentes distintos, configurar canales de comunicación y compartir datos contextuales mediante un almacenamiento unificado. La biblioteca incluye componentes plug-and-play para negociación, coordinación y construcción de consenso. Los ejemplos muestran generación de texto colaborativa, planificación distribuida y simulaciones multi-agente. Su diseño modular facilita la extensión rápida y la evaluación de estrategias multi-agente en entornos de investigación o producción.

multiagent-env es una biblioteca de Python de código abierto diseñada para simplificar la creación y evaluación de entornos de aprendizaje por refuerzo multiagente. Los usuarios pueden definir escenarios tanto cooperativos como adversariales especificando la cantidad de agentes, espacios de acción y observación, funciones de recompensa y la dinámica del entorno. Soporta visualización en tiempo real, renderizado configurable y fácil integración con marcos RL basados en Python como Stable Baselines y RLlib. El diseño modular permite prototipar rápidamente nuevos escenarios y comparar de manera sencilla algoritmos multiagente.

ROSA (Rover Sequencing & Autonomy) es un marco completo de autonomía desarrollado por el Laboratorio de Propulsión a Chorro de la NASA para robótica espacial. Cuenta con un planificador modular con IA, un programador consciente de restricciones, y simuladores integrados que producen secuencias de comandos validadas para operaciones de rovers. Los usuarios pueden definir objetivos de misión, restricciones de recursos y normas de seguridad; ROSA generará planes de ejecución óptimos, detectará conflictos y soportará una rápida replanificación ante eventos inesperados. Su arquitectura de plugins permite la integración con sensores, actuadores y herramientas de análisis de telemetría personalizadas, facilitando la autonomía completa en misiones planetarias.

APLib está diseñado para simplificar el desarrollo de agentes autónomos impulsados por IA en entornos de juegos y simulaciones. Utilizando una arquitectura inspirada en Belief-Desire-Intention (BDI), ofrece componentes modulares para percepción, toma de decisiones y ejecución de acciones. Los desarrolladores definen creencias, objetivos y comportamientos mediante APIs intuitivas y árboles de comportamiento. Los agentes APLib pueden interpretar el estado del juego a través de sensores personalizables, formular planes usando planificadores integrados e interactuar con el entorno mediante actuadores. La biblioteca soporta integración con Unity, Unreal y entornos Java puros, facilitando pruebas automatizadas, investigación en IA y simulaciones. Promueve la reutilización de módulos de comportamiento, el prototipado rápido y flujos de trabajo de QA robustos mediante la automatización de escenarios de prueba repetitivos y la simulación de comportamientos complejos de jugadores sin intervención manual.

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.