Intelligence permite a los desarrolladores ensamblar agentes de IA combinando componentes que gestionan memoria con estado, integran modelos de lenguaje como OpenAI GPT y conectan con herramientas externas (APIs, bases de datos y bases de conocimiento). Dispone de un sistema de plugins para funciones personalizadas, módulos de observabilidad para rastrear decisiones y métricas, y utilidades de orquestación para coordinar múltiples agentes. Los desarrolladores lo instalan vía pip, definen agentes en Python con clases simples y configuran backwards de memoria (en memoria, Redis o vectores). Su servidor API REST facilita el despliegue, mientras que las herramientas CLI ayudan en la depuración. Intelligence simplifica las pruebas, el control de versiones y la escalabilidad de los agentes, haciendo que sea adecuado para chatbots, soporte al cliente, recuperación de datos, procesamiento de documentos y flujos de trabajo automatizados.

Pits and Orbs es un entorno de código abierto para aprendizaje por refuerzo, implementado en Python, que ofrece un mundo en una cuadrícula multi-agente por turnos donde los agentes persiguen objetivos y enfrentan peligros ambientales. Cada agente debe navegar en una cuadrícula ajustable, evitar trampas colocadas aleatoriamente que penalizan o terminan episodios, y recolectar orbes para recompensas positivas. El entorno soporta modos competitivos y cooperativos, permitiendo a investigadores explorar diversos escenarios de aprendizaje. Su API simple se integra perfectamente con bibliotecas RL populares como Stable Baselines o RLlib. Características principales incluyen dimensiones de cuadrícula ajustables, distribuciones dinámicas de trampas y orbes, estructuras de recompensa configurables y registro opcional para análisis del entrenamiento.

DataAgent aprovecha agentes IA avanzados basados en LLM para explorar conjuntos de datos, generar insights y ensamblar pipelines de aprendizaje automático automáticamente. Los usuarios apuntan DataAgent a un CSV, tabla SQL o DataFrame de Pandas y plantean preguntas en lenguaje natural. El agente interpreta las consultas, ejecuta código de análisis, visualiza resultados e incluso escribe scripts Python modulares para tareas ETL y de modelado. Simplifica todo el flujo de trabajo de ciencia de datos reduciendo código boilerplate y acelerando la experimentación.

El ejemplo de agentes LLM proporciona una base de código práctica para construir agentes de IA en Python. Demuestra cómo registrar herramientas personalizadas (búsqueda web, solucionador matemático mediante WolframAlpha, analizador CSV, REPL de Python), crear agentes de chat y basados en recuperación, y conectar con almacenamientos vectoriales para responder preguntas de documentos. El repositorio ilustra patrones para mantener la memoria de la conversación, despachar dinámicamente llamadas a herramientas y encadenar múltiples prompts de LLM para resolver tareas complejas. Los usuarios aprenden a integrar APIs de terceros, estructurar flujos de trabajo de agentes y ampliar el marco con nuevas capacidades; todo ello como una guía práctica para experimentación y prototipado por desarrolladores.

Morph ayuda a los usuarios a construir rápidamente aplicaciones de IA que pueden ser desplegadas de manera segura con facilidad. La plataforma admite conexiones a fuentes de datos como BigQuery y Snowflake, y permite el procesamiento de datos utilizando APIs de OpenAI y modelos de ML en Python. Con Morph, puede crear pantallas interactivas en Markdown y compartirlas a través de URLs. Además, el marco viene preequipado con control de acceso basado en roles y características avanzadas de seguridad para garantizar que sus datos estén protegidos.

Agents with ADK es un marco de Python de código abierto diseñado para simplificar la creación de agentes inteligentes impulsados por grandes modelos de lenguaje. Incluye plantillas de agentes modulares, gestión de memoria incorporada, interfaces de ejecución de herramientas y capacidades de coordinación multi-agente. Los desarrolladores pueden integrar rápidamente funciones personalizadas o API externas, configurar cadenas de planificación y razonamiento, y monitorizar las interacciones de los agentes. El marco soporta integración con proveedores LLM populares y ofrece funcionalidades de registro, lógica de reintento y extensibilidad para despliegues en producción.

BotPlayers es un marco versátil de código abierto que simplifica el desarrollo y despliegue de agentes de juego impulsados por IA. Destaca por su capa de abstracción de entorno flexible que soporta captura de pantalla, APIs web o interfaces de simulación personalizadas, permitiendo a los bots interactuar con diversos juegos. Incluye algoritmos de aprendizaje por refuerzo incorporados, algoritmos genéticos y heurísticas basadas en reglas, además de herramientas para registro de datos, puntos de control de modelos y visualización del rendimiento. Su sistema de plugins modular permite a los desarrolladores personalizar sensores, acciones y políticas de IA en Python o Java. BotPlayers también ofrece configuración basada en YAML para prototipado rápido y pipelines automáticos para entrenamiento y evaluación. Compatible con Windows, Linux y macOS, este marco acelera la experimentación y producción de agentes de juego inteligentes.

Minimalist Agent ofrece un marco básico para construir agentes AI en Python. Aprovecha las clases de agentes de LangChain y la API de OpenAI para realizar razonamiento en múltiples pasos, seleccionar herramientas de manera dinámica y ejecutar funciones. Puedes clonar el repositorio, configurar tu clave API de OpenAI, definir herramientas o endpoints personalizados, y ejecutar el script CLI para interactuar con el agente. El diseño se enfoca en claridad y extensibilidad, facilitando el estudio, modificación y ampliación de comportamientos principales del agente para experimentación o enseñanza.