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.

GPA-LM es un marco basado en Python diseñado para simplificar la creación y orquestación de agentes de IA impulsados por grandes modelos de lenguaje. Incluye un planificador que descompone instrucciones de alto nivel en subtareas, un ejecutor que gestiona llamadas a herramientas e interacciones, y un módulo de memoria que mantiene el contexto entre sesiones. La arquitectura de plugins permite a los desarrolladores añadir herramientas, APIs y lógica de decisión personalizadas. Con soporte de múltiples agentes, GPA-LM puede coordinar roles, distribuir tareas y agregar resultados. Se integra fácilmente con LLMs populares como OpenAI GPT y soporta despliegue en diversos entornos. El marco acelera el desarrollo de agentes autónomos para investigación, automatización y prototipado de aplicaciones.

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.

LeanAgent es un marco basado en Python diseñado para facilitar la creación de agentes IA autónomos. Ofrece módulos de planificación integrados que aprovechan grandes modelos de lenguaje para la toma de decisiones, una capa de integración de herramientas extensible para llamar a API externas o scripts personalizados, y un sistema de gestión de memoria que mantiene el contexto entre interacciones. Los desarrolladores pueden configurar flujos de trabajo del agente, integrar herramientas personalizadas, iterar rápidamente con utilidades de depuración y desplegar agentes listos para producción para diversos dominios.

El marco LLM Maze Agent proporciona un entorno basado en Python para construir agentes inteligentes capaces de navegar laberintos de cuadrícula utilizando grandes modelos de lenguaje. Al combinar interfaces modulares de entorno con plantillas de prompting en cadena de pensamiento y planificación heurística, el agente consulta iterativamente a un LLM para decidir las direcciones de movimiento, adaptarse a obstáculos y actualizar su representación del estado interno. La compatibilidad lista para usar con modelos de OpenAI y Hugging Face permite una integración sin problemas, mientras que la generación de laberintos configurable y la depuración paso a paso facilitan la experimentación con diferentes estrategias. Los investigadores pueden ajustar funciones de recompensa, definir espacios de observación personalizados y visualizar rutas del agente para analizar procesos de razonamiento. Este diseño hace que LLM Maze Agent sea una herramienta versátil para evaluar la planificación basada en LLM, enseñar conceptos de IA y comparar el rendimiento de los modelos en tareas de razonamiento espacial.

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.

Matcha Agent proporciona una base flexible para crear agentes autónomos en Python. Los desarrolladores pueden configurar agentes con conjuntos de herramientas personalizadas (APIs, scripts, bases de datos), gestionar la memoria de conversaciones y orquestar flujos de trabajo en múltiples pasos en diferentes LLMs (OpenAI, modelos locales, etc.). Su arquitectura basada en plugins permite extender, depurar y supervisar fácilmente el comportamiento del agente. Ya sea para automatizar tareas de investigación, análisis de datos o soporte al cliente, Matcha Agent simplifica el desarrollo y despliegue integral de agentes.

MIU CS589 API de Agentes de IA ofrece una interfaz estandarizada para construir agentes de IA personalizados. Los desarrolladores pueden definir comportamientos, integrar herramientas o servicios externos y gestionar respuestas en streaming o por lotes mediante endpoints HTTP. El framework maneja autenticación, enrutamiento de solicitudes, manejo de errores y registro de logs. Es totalmente extensible: los usuarios pueden registrar nuevas herramientas, ajustar la memoria del agente y configurar los parámetros LLM. Adecuado para experimentos, demos y prototipos en producción, simplifica la orquestación multi-herramienta y acelera el desarrollo de agentes IA sin quedar atrapado en una plataforma monolítica.

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.

Notte es un marco de Python centrado en el desarrollador, diseñado para orquestar agentes de IA impulsados por grandes modelos de lenguaje. Ofrece módulos de memoria integrados para almacenar y recuperar el contexto de la conversación, integración flexible de herramientas para APIs externas o funciones personalizadas, y un motor de planificación que secuencia las tareas. Con Notte, puedes prototipar rápidamente asistentes conversacionales, bots de análisis de datos o flujos de trabajo automatizados, beneficiándote además de la extensibilidad de código abierto y soporte multiplataforma.

PyGame Learning Environment (PLE) es un marco de trabajo en Python de código abierto diseñado para simplificar el desarrollo, la prueba y el benchmarking de agentes de aprendizaje por refuerzo en escenarios de juego personalizados. Proporciona una colección de juegos ligeros basados en Pygame con soporte incorporado para observaciones de agentes, espacios de acciones discretas y continuas, modelado de recompensas y renderizado del entorno. PLE presenta una API fácil de usar compatible con los envoltorios de OpenAI Gym, permitiendo una integración fluida con librerías RL populares como Stable Baselines y TensorForce. Investigadores y desarrolladores pueden personalizar parámetros de juego, implementar nuevos juegos y aprovechar entornos vectorizados para entrenamiento acelerado. Con contribuciones activas de la comunidad y documentación extensa, PLE sirve como una plataforma versátil para investigación académica, educación y prototipado de aplicaciones RL del mundo real.

RL Shooter es un marco basado en Python que integra ViZDoom con las API de OpenAI Gym para crear un entorno flexible de aprendizaje por refuerzo para juegos FPS. Los usuarios pueden definir escenarios, mapas y estructuras de recompensa personalizadas para entrenar agentes en tareas de navegación, detección de objetivos y disparo. Con marcos de observación, espacios de acción y facilidades de registro configurables, soporta bibliotecas populares de RL profundo como Stable Baselines y RLlib, permitiendo un seguimiento claro del rendimiento y la reproducibilidad de los experimentos.

El agente de voz AI Samantha es un marco de asistente de voz completamente modular y de código abierto construido en Python. Aprovecha el modelo GPT-4 de OpenAI para gestión dialogada contextual, Whisper para transcripción precisa de voz a texto y ElevenLabs o TTS de Microsoft para salida de texto a voz realista. Con soporte incorporado para escucha continua, ganchos de habilidades personalizables, integraciones API y desencadenantes basados en eventos, Samantha permite a los desarrolladores crear flujos de trabajo de voz personalizados, automatizar tareas y desplegar en entornos de escritorio o servidor sin restricciones importantes de licencia.

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.

SmolAgents Dynamic Tools amplía el marco Python de código abierto SmolAgents para dotar a los agentes basados en LLM de la capacidad de invocar herramientas dinámicamente. Los agentes pueden llamar sin problemas a diversas herramientas predefinidas — como búsqueda web mediante SerpAPI, calculadoras matemáticas, recuperación de fecha y hora, operaciones en el sistema de archivos y manejadores de solicitudes HTTP personalizados — según la intención del usuario y cadenas de razonamiento. Los desarrolladores pueden registrar herramientas adicionales o personalizar las existentes, permitiendo que los agentes manejen recuperación de datos, creación de contenido, cálculo e integración de API externas usando una interfaz unificada. Al evaluar la disponibilidad de herramientas en tiempo real, SmolAgents Dynamic Tools optimiza los flujos de trabajo, reduce la lógica codificada y mejora la modularidad en diversos escenarios como asistencia en investigaciones, generación automática de informes y expansión de chatbots.