GenAI Job Agents es un marco open-source basado en Python que simplifica la creación y gestión de agentes de trabajo impulsados por IA. Los desarrolladores pueden definir tipos de tareas personalizadas y comportamientos de agentes mediante archivos de configuración sencillos o clases de Python. El sistema se integra a la perfección con OpenAI para razonamiento con LLM y con LangChain para encadenar llamadas. Las tareas pueden encolarse, ejecutarse en paralelo y monitorearse mediante mecanismos de registro y manejo de errores integrados. Los agentes pueden manejar entradas dinámicas, reintentar automáticamente fallos y producir resultados estructurados para procesamiento posterior. Con una arquitectura modular, plugins extensibles y API claras, GenAI Job Agents permite a los equipos automatizar tareas repetitivas, orquestar flujos de trabajo complejos y escalar operaciones impulsadas por IA en entornos de producción.

HMAS es un marco de trabajo de código abierto en Python que permite el desarrollo de sistemas jerárquicos de múltiples agentes. Ofrece abstracciones para definir jerarquías de agentes, protocolos de comunicación entre agentes, integración de entornos y ciclos de entrenamiento incorporados. Investigadores y desarrolladores pueden usar HMAS para prototipar interacciones complejas entre agentes, entrenar políticas coordinadas y evaluar el rendimiento en entornos simulados. Su diseño modular facilita extender y personalizar agentes, entornos y estrategias de entrenamiento.

HFO_DQN combina Python y TensorFlow para ofrecer un pipeline completo para entrenar agentes de fútbol usando Deep Q-Networks. Los usuarios pueden clonar el repositorio, instalar dependencias incluyendo el simulador HFO y bibliotecas Python, y configurar los parámetros de entrenamiento en archivos YAML. El marco implementa reproducción de experiencias, actualizaciones del red objetivo, exploración epsilon-greedy y modelado de recompensas adaptado al dominio de ofensiva de medio campo. Incluye scripts para entrenamiento de agentes, registro de rendimiento, partidas de evaluación y visualización de resultados. La estructura modular permite integrar arquitecturas de redes neuronales personalizadas, algoritmos RL alternativos y estrategias de coordinación multiagente. Las salidas incluyen modelos entrenados, métricas de rendimiento y visualizaciones del comportamiento, facilitando investigaciones en aprendizaje por refuerzo y sistemas multiagente.

InfantAgent ofrece una estructura ligera para diseñar y desplegar agentes inteligentes en Python. Se integra con LLMs populares (OpenAI, Hugging Face), soporta módulos de memoria persistente y permite cadenas de herramientas personalizadas. De serie, incluye una interfaz conversacional, orquestación de tareas y toma de decisiones basada en políticas. La arquitectura de plugins del marco permite una fácil extensión para herramientas y APIs específicas del dominio, ideal para prototipar agentes de investigación, automatizar flujos de trabajo o integrar asistentes IA en aplicaciones.

LangChain es un marco de Python de código abierto diseñado para acelerar el desarrollo de aplicaciones impulsadas por IA. Proporciona abstracciones para encadenar múltiples llamadas a modelos de lenguaje (cadenas), construir agentes que interactúan con herramientas externas y gestionar la memoria de las conversaciones. Los desarrolladores pueden definir indicaciones, analizadores de salida y flujos de trabajo de extremo a extremo. Las integraciones incluyen almacenes vectoriales, bases de datos, APIs y plataformas de alojamiento, permitiendo chatbots listos para producción, análisis de documentos, asistentes de código y pipelines de IA personalizados.

LLM State Machine es un marco de Python de código abierto diseñado para construir agentes de IA usando máquinas de estado explícitas. Los desarrolladores definen estados como pasos discretos, cada uno invocando un gran modelo de lenguaje o lógica personalizada, y transiciones basadas en salidas. Este enfoque proporciona claridad, mantenibilidad y manejo robusto de errores para flujos de trabajo con múltiples pasos alimentados por LLM, como procesamiento de documentos, bots conversacionales o pipelines de automatización.

MARO (Multi-Agent Resource Optimization) es un marco basado en Python diseñado para apoyar el desarrollo y evaluación de agentes de aprendizaje por refuerzo multi-agente en escenarios de cadena de suministro, logística y gestión de recursos. Incluye plantillas para gestión de inventarios, planificación de camiones, cross-docking, alquiler de contenedores y más. MARO ofrece una API unificada de agentes, rastreadores integrados para registro de experimentos, capacidades de simulación paralela para entrenamiento a gran escala y herramientas de visualización para análisis de rendimiento. La plataforma es modular, extensible e integra bibliotecas RL populares, facilitando investigaciones reproducibles y creación rápida de prototipos de soluciones de optimización basadas en IA.

El Asistente de IA Multi-Agente es un marco modular en Python que orquesta múltiples agentes con GPT, cada uno asignado a roles discretos como planificación, investigación, análisis y ejecución. El sistema soporta envío de mensajes entre agentes, almacenamiento de memoria e integración con herramientas y APIs externas, permitiendo la descomposición de tareas complejas y la resolución colaborativa de problemas. Los desarrolladores pueden personalizar el comportamiento de los agentes, agregar nuevos conjuntos de herramientas y configurar flujos de trabajo mediante archivos de configuración sencillos. Aprovechando el razonamiento distribuido entre agentes especializados, el marco acelera investigaciones automatizadas, análisis de datos, soporte para decisiones y automatización de tareas. El repositorio incluye implementaciones y plantillas de ejemplo, permitiendo crear rápidamente prototipos de asistentes inteligentes y trabajadores digitales capaces de manejar flujos de trabajo de extremo a extremo en negocios, educación y entornos de investigación.

Nuzon-AI proporciona un marco de agentes basado en Python que permite definir tareas, gestionar la memoria conversacional y ampliar capacidades mediante plugins. Soporta integración con principales LLMs (OpenAI, modelos locales), permitiendo a los agentes realizar interacciones web, análisis de datos y flujos de trabajo automatizados. La arquitectura incluye un registro de habilidades, un sistema de invocación de herramientas y una capa de orquestación multi-agentes, permitiéndote combinar agentes para soporte al cliente, asistencia en investigación y productividad personal. Con archivos de configuración, puedes personalizar el comportamiento de cada agente, la política de retención de memoria y los registros para depuración o auditoría.

Simple-Agent es un marco de agentes IA de código abierto escrito en Python que utiliza la API de OpenAI para crear agentes conversacionales modulares. Permite a los desarrolladores definir funciones de herramientas que el agente puede invocar, mantener la memoria contextual entre interacciones y personalizar comportamientos del agente mediante módulos de habilidades. El marco gestiona el enrutamiento de solicitudes, la planificación de acciones y la ejecución de herramientas, para que puedas centrarte en la lógica específica de dominio. Con registro y manejo de errores integrados, Simple-Agent acelera el desarrollo de chatbots, asistentes automatizados y herramientas de soporte de decisiones impulsados por IA. Ofrece integración sencilla con API y fuentes de datos personalizadas, soporta llamadas asíncronas a herramientas y proporciona una interfaz de configuración simple. Úsalo para prototipar agentes de IA para soporte al cliente, análisis de datos, automatización y más. Su arquitectura modular facilita añadir nuevas capacidades sin alterar la lógica central. Respaldado por contribuciones comunitarias y documentación, Simple-Agent es ideal tanto para principiantes como para desarrolladores experimentados que buscan desplegar agentes inteligentes rápidamente.

CopilotKit es un marco de trabajo de código abierto en Python diseñado para que los desarrolladores creen agentes de IA personalizados. Ofrece una arquitectura modular donde puedes registrar y configurar herramientas — como acceso al sistema de archivos, búsqueda en la web, REPL de Python y conectores SQL — y enlazarlas con agentes que utilizan cualquier LLM compatible. Los módulos de memoria incorporados permiten la persistencia del estado de la conversación, mientras que LangGraph permite definir flujos de razonamiento estructurados para tareas complejas. Los agentes pueden ser desplegados en scripts, servicios web o aplicaciones CLI y escalar en diferentes proveedores en la nube. CopilotKit funciona perfectamente con los modelos de OpenAI, Azure OpenAI y Anthropic, potenciando flujos de trabajo automatizados, chatbots y bots de análisis de datos.

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.

Thufir es un marco de trabajo de código abierto basado en Python diseñado para facilitar la creación de agentes IA autónomos capaces de planificar y ejecutar tareas complejas. En su núcleo, Thufir proporciona un motor de planificación que descompone objetivos de alto nivel en pasos accionables, un módulo de memoria para almacenar y recuperar información contextual a través de sesiones, y una interfaz de herramientas plug-and-play que permite a los agentes interactuar con APIs externas, bases de datos o entornos de ejecución de código. Los desarrolladores pueden aprovechar los componentes modulares de Thufir para personalizar comportamientos de agentes, definir herramientas personalizadas, gestionar el estado del agente y orquestar flujos de trabajo multi-agente. Al abstraer las preocupaciones de infraestructura de bajo nivel, Thufir acelera el desarrollo y despliegue de agentes inteligentes para casos de uso como asistentes virtuales, automatización de flujos de trabajo, investigación y trabajadores digitales.

agent-steps es un marco de orquestación de pasos en Python diseñado para facilitar el desarrollo de agentes AI mediante la descomposición de tareas complejas en pasos discretos y reutilizables. Cada paso encapsula una acción específica, como invocar un modelo de lenguaje, realizar transformaciones de datos o llamadas a APIs externas, y puede pasar contexto a pasos posteriores. La biblioteca soporta ejecución síncrona y asíncrona, permitiendo pipelines escalables. Las herramientas integradas de registro y depuración brindan transparencia en la ejecución de pasos, mientras que su arquitectura modular promueve la mantenibilidad. Los usuarios pueden definir tipos de pasos personalizados, enlazarlos en flujos de trabajo e integrarlos fácilmente en aplicaciones Python existentes. agent-steps es adecuado para construir chatbots, pipelines automatizados de datos, sistemas de soporte para decisiones y otras soluciones de IA de múltiples pasos.

ANAC-agents es un marco basado en Python que centraliza múltiples implementaciones de agentes de negociación para la Competencia de Agentes de Negociación Automatizados (ANAC). Cada agente en el repositorio implementa distintas estrategias para modelado de utilidad, generación de propuestas, tácticas de concesión y criterios de aceptación, facilitando estudios comparativos y prototipado rápido. Los usuarios pueden definir dominios de negociación con issues y perfiles de preferencias personalizados, y luego simular negociaciones bilaterales o competencias en formato torneo entre agentes. El conjunto de herramientas incluye scripts de configuración, métricas de evaluación y utilidades de registro para analizar la dinámica de negociación. Investigadores y desarrolladores pueden ampliar los agentes existentes, probar algoritmos novedosos o integrar módulos de aprendizaje externo, acelerando la innovación en negociación automática y toma de decisiones estratégicas bajo información incompleta.

Chainlit es un marco Python asincrónico de código abierto diseñado para ayudar a los desarrolladores a construir y desplegar rápidamente aplicaciones escalables de IA conversacional y de agentes. Soporta integraciones con bibliotecas y marcos populares de Python para proporcionar una experiencia de desarrollo fluida. Con Chainlit, los usuarios pueden crear aplicaciones de chat listas para producción que pueden manejar interacciones complejas y mantener el contexto de conversación.

CodeFuse-muAgent es un marco de código abierto basado en Python que orquesta múltiples agentes IA autónomos para resolver tareas complejas de manera colaborativa. Los desarrolladores definen agentes individuales con habilidades especializadas — como procesamiento de datos, comprensión del lenguaje natural o interacción con API externas — y configuran protocolos de comunicación para una delegación dinámica de tareas. El marco proporciona gestión centralizada de memoria, registro y monitoreo, manteniéndose independiente del modelo, y soporta integraciones con LLMs populares y modelos IA personalizados. Con CodeFuse-muAgent, los equipos pueden construir flujos de trabajo IA modulares, automatizar procesos de múltiples pasos y escalar despliegues en diversos entornos. Los archivos de configuración flexibles y APIs extensibles permiten prototipado rápido, pruebas y ajuste fino, siendo adecuado para casos de uso en soporte al cliente, generación de contenido, asistentes de investigación, y más.

CUPCAKE AGI (Pipeline Utilitario Composable para Creatividad, Conocimiento y Evolveabilidad en Inteligencia General Autónoma) es un marco flexible de Python que simplifica la construcción de agentes autónomos combinando modelos de lenguaje, memoria y herramientas externas. Ofrece módulos principales incluyendo un planificador de objetivos, un ejecutor de modelos y un gestor de memoria para mantener el contexto durante las interacciones. Los desarrolladores pueden ampliar la funcionalidad mediante plugins para integrar APIs, bases de datos o kits de herramientas personalizados. CUPCAKE AGI admite flujos de trabajo tanto sincrónicos como asincrónicos, lo que lo hace ideal para investigación, prototipado y despliegue de agentes de nivel de producción en diversas aplicaciones.

Fast Reinforcement Learning es un marco Python especializado diseñado para acelerar el desarrollo y la ejecución de agentes de aprendizaje por refuerzo. Ofrece soporte listo para usar para algoritmos populares como PPO, A2C, DDPG y SAC, combinados con gestiones de entornos vectorizados de alto rendimiento. Los usuarios pueden configurar fácilmente redes de políticas, personalizar bucles de entrenamiento y aprovechar la aceleración GPU para experimentos a gran escala. El diseño modular de la biblioteca garantiza una integración fluida con entornos OpenAI Gym, permitiendo a investigadores y practicantes prototipar, hacer benchmarks y desplegar agentes en diversas tareas de control, juegos y simulación.