Vanilla Agents es un marco liviano basado en PyTorch que proporciona implementaciones modulares y extensibles de agentes de aprendizaje por refuerzo fundamentales. Soporta algoritmos como DQN, Double DQN, PPO y A2C, con envoltorios de entorno en plug-in compatibles con OpenAI Gym. Los usuarios pueden configurar hiperparámetros, registrar métricas de entrenamiento, guardar puntos de control y visualizar curvas de aprendizaje. La base de código está organizada para la claridad, siendo ideal para prototipado de investigación, uso educativo y benchmarking de nuevas ideas en RL.

CrewAI-Learning es una biblioteca de código abierto diseñada para agilizar proyectos de aprendizaje por refuerzo multiagente. Ofrece estructura de entornos, definiciones modulares de agentes, funciones de recompensa personalizables y un conjunto de algoritmos incorporados como DQN, PPO y A3C adaptados para tareas colaborativas. Los usuarios pueden definir escenarios, gestionar ciclos de entrenamiento, registrar métricas y visualizar resultados. El marco admite configuración dinámica de equipos de agentes y estrategias de compartición de recompensas, facilitando el prototipado, la evaluación y la optimización de soluciones de IA cooperativa en diversas áreas.

LlamaIndex Supervisor es un marco de trabajo en Python dirigido a desarrolladores para crear, ejecutar y monitorear agentes de IA construidos sobre LlamaIndex. Proporciona herramientas para definir flujos de trabajo como nodos — como recuperación, resumen y procesamiento personalizado — y conectarlos en gráficos dirigidos. Supervisor supervisa cada paso, valida salidas contra esquemas, reintenta en errores y registra métricas. Esto asegura pipelines robustos y repetibles para tareas como generación con recuperación augmentada, QA de documentos y extracción de datos en diversos conjuntos de datos.