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.

MGym es un marco especializado para crear y gestionar entornos de aprendizaje por refuerzo multiagente (MARL) en Python. Permite a los usuarios definir escenarios complejos con múltiples agentes, cada uno con espacios de observación y acción personalizables, funciones de recompensa y reglas de interacción. MGym soporta modos de ejecución sincrónica y asincrónica, proporcionando simulaciones de agentes en paralelo y por turnos. Con una API similar a Gym, MGym se integra perfectamente con bibliotecas RL populares como Stable Baselines, RLlib y PyTorch. Incluye módulos de utilidad para evaluación de entornos, visualización de resultados y análisis de rendimiento, facilitando una evaluación sistemática de algoritmos MARL. Su arquitectura modular permite prototipar rápidamente tareas cooperativas, competitivas o de agentes mixtos, empoderando a investigadores y desarrolladores para acelerar la experimentación y la investigación en MARL.