MultiAgentModel proporciona una API unificada para definir entornos personalizados y clases de agentes para escenarios multiagentes. Los desarrolladores pueden especificar espacios de observación y acción, estructuras de recompensa y canales de comunicación. La compatibilidad con algoritmos RL populares como PPO, DQN y A2C permite entrenar con una configuración mínima. Las herramientas de visualización en tiempo real ayudan a monitorear las interacciones de los agentes y las métricas de rendimiento. La arquitectura modular garantiza una fácil integración de nuevos algoritmos y módulos personalizados. También incluye un sistema de configuración flexible para ajuste de hiperparámetros, utilidades de registro para seguimiento de experimentos y compatibilidad con entornos OpenAI Gym para portabilidad sin problemas. Los usuarios pueden colaborar en entornos compartidos y reproducir sesiones registradas para análisis.

AgentSimJS está diseñada para simplificar la creación y ejecución de modelos escalables basados en agentes en JavaScript. Con su arquitectura modular, los desarrolladores pueden definir agentes con estados personalizados, sensores, funciones de decisión y actuadores, y luego integrarlos en entornos dinámicos parametrizados por variables globales. El marco orquesta simulaciones con pasos discretos en el tiempo, gestiona mensajes basados en eventos entre agentes y registra datos de interacción para análisis. Los módulos de visualización soportan renderizado en tiempo real usando HTML5 Canvas o bibliotecas externas, mientras que los plugins permiten integración con herramientas estadísticas. AgentSimJS funciona tanto en navegadores modernos como en Node.js, siendo adecuado para aplicaciones web interactivas, investigación académica, herramientas educativas y prototipado rápido en inteligencia colectiva, dinámica de multitudes o experimentos de IA distribuida.

AgentSpeak es una implementación de código abierto en Java del lenguaje de programación AgentSpeak(L), diseñada para facilitar la creación y gestión de agentes autónomos BDI (Creencias-Deseos-Intenciones). Cuenta con un entorno de ejecución que analiza el código AgentSpeak(L), mantiene las bases de creencias de los agentes, dispara eventos y selecciona y ejecuta planes basados en las creencias y objetivos actuales. El intérprete soporta ejecución concurrente de agentes, actualizaciones dinámicas de planes y semánticas personalizables. Con una arquitectura modular, los programadores pueden extender componentes centrales como la selección de planes y la revisión de creencias. AgentSpeak permite a académicos e industriales prototipar, simular y desplegar agentes inteligentes en simulaciones, sistemas IoT y escenarios multi-agente.

Este repositorio agrupa una colección completa de componentes de sistemas multiagente y técnicas de coordinación AI distribuida. Proporciona implementaciones de algoritmos de consenso, protocolos de negociación Contract-Net, asignación de tareas basada en subastas, estrategias de formación de coaliciones y marcos de comunicación entre agentes. Los usuarios pueden aprovechar entornos de simulación integrados para modelar y probar comportamientos de agentes bajo diferentes topologías de red, escenarios de latencia y modos de falla. El diseño modular permite a desarrolladores e investigadores integrar, ampliar o personalizar módulos de coordinación para aplicaciones en enjambres de robots, colaboración entre dispositivos IoT, redes eléctricas inteligentes y sistemas de toma de decisiones distribuidos.

AmongA y la investigación en sistemas IA multiagentes. A través de una API Python sencilla, los usuarios pueden instanciar cualquier número de agentes IA, cada uno equipado con personalidades, prompts y buffers de memoria personalizados. Los agentes participan en bucles de conversación configurables, admitiendo debates, lluvia de ideas, toma de decisiones o simulaciones de juegos. El marco se integra perfectamente con APIs LLM principales (por ejemplo, OpenAI, Anthropic), permitiendo interacción basada en mensajes y registro de transcripciones. Los desarrolladores pueden ampliar el comportamiento personalizando roles de agentes, controlando la lógica de turnos y conectando fuentes de datos externas. AmongAIs también provee utilidades para análisis de sentimientos, evaluación basada en puntuaciones y reproducción de sesiones. Ideal para equipos que exploran comunicación emergente, ideación colaborativa y pruebas de coordinación de trabajadores digitales en investigación y producción.

El repositorio Berkeley Pacman Projects ofrece una base de código Python modular donde los usuarios construyen y prueban agentes IA en un laberinto de Pacman. Guía a los aprendices a través de la búsqueda no informada e informada (DFS, BFS, A*), búsqueda adversarial multiactores (minimax, poda alfa-beta) y aprendizaje por refuerzo (Q-learning con extracción de características). Interfaces gráficas integradas visualizan el comportamiento de los agentes en tiempo real, mientras que los casos de prueba integrados y el autocalificador verifican la corrección. Al iterar sobre las implementaciones de algoritmos, los usuarios adquieren experiencia práctica en exploración del espacio de estados, diseño heurístico, razonamiento adversarial y aprendizaje basado en recompensas dentro de un marco de juego unificado.

ComfyUI LLM Party amplía el entorno basado en nodos de ComfyUI proporcionando una suite de nodos potenciados por LLM diseñados para orquestar interacciones de texto junto con flujos de trabajo visuales de IA. Ofrece nodos de chat para interactuar con grandes modelos de lenguaje, nodos de memoria para retención de contexto, y nodos de enrutamiento para gestionar diálogos multi-agente. Los usuarios pueden encadenar operaciones de generación de lenguaje, resumen y toma de decisiones dentro de sus pipelines, fusionando IA textual y generación de imágenes. La extensión también soporta plantillas de instrucciones personalizadas, gestión de variables y bifurcaciones condicionales, permitiendo a los creadores automatizar generación narrativa, subtítulos de imágenes y descripciones dinámicas de escenas. Su diseño modular permite una integración sin fisuras con nodos existentes, capacitando a artistas y desarrolladores para construir flujos de trabajo sofisticados sin conocimientos de programación.

El framework UnitMesh ofrece un entorno flexible y modular para definir, gestionar y ejecutar cadenas de agentes IA. Permite una integración sencilla con OpenAI, Anthropic y modelos personalizados, soporta SDKs en Python y Node.js, y ofrece almacenes de memoria incorporados, conectores de herramientas y arquitectura de plugins. Los desarrolladores pueden orquestar flujos de trabajo paralelos o secuenciales, seguir los registros de ejecución y ampliar la funcionalidad mediante módulos personalizados. Su diseño basado en eventos garantiza alto rendimiento y escalabilidad en implementaciones en la nube y en servidores locales.

ElizaOS proporciona un conjunto robusto de herramientas para diseñar, probar y desplegar agentes IA autónomos dentro de proyectos en TypeScript. Los desarrolladores definen personalidades, metas y jerarquías de memoria de los agentes, luego aprovechan el sistema de planificación de ElizaOS para delinear flujos de tarea. Su arquitectura modular de conectores facilita la integración con plataformas de comunicación—Discord, Telegram, Slack, X—y redes blockchain via adaptadores Web3. ElizaOS soporta múltiples backend de LLM (OpenAI, Anthropic, Llama, Gemini), permitiendo cambiar sin problemas entre modelos. El soporte de plugins amplía la funcionalidad con habilidades personalizadas, registro y características de observabilidad. A través de su CLI y SDK, los equipos pueden iterar sobre configuraciones de agentes, monitorear el rendimiento en vivo y escalar despliegues en entornos cloud o en local. ElizaOS capacita a las empresas para automatizar interacciones con clientes, engagement en redes sociales y procesos comerciales con trabajadores digitales autónomos.

EthicalEvalMAS proporciona un entorno modular para evaluar sistemas multiagente en dimensiones éticas clave como justicia, autonomía, privacidad, transparencia y beneficencia. Los usuarios pueden generar escenarios personalizados o utilizar plantillas integradas, definir métricas a medida, ejecutar scripts de evaluación automatizados y visualizar resultados a través de herramientas de informes integradas. Su arquitectura extensible soporta la integración con plataformas MAS existentes y facilita la comparación ética reproducible para diferentes comportamientos de agentes.

GenFuse AI ofrece una plataforma sin código donde los usuarios pueden crear agentes de IA personalizados para automatizar diversas tareas. Con un creador de flujos de trabajo visual, puede conectar agentes de IA y herramientas para diseñar automatizaciones de múltiples agentes. La plataforma cuenta con tuberías de ejecución automática, agentes de autoaprendizaje y plantillas preconstruidas para empezar rápidamente. GenFuse AI es agnóstico al modelo, lo que le permite elegir el mejor modelo para cada agente y puede integrarse con sus aplicaciones y herramientas personalizadas.

La plataforma IntelligentMASPlatform se construye para acelerar el desarrollo y despliegue de sistemas multi-agente ofreciendo una arquitectura modular con capas distintas para agentes, entornos y servicios. Los agentes se comunican usando mensajería ACL compatible con FIPA, lo que permite negociaciones y coordinación dinámica. La plataforma incluye un simulador de entornos versátil que permite modelar escenarios complejos, programar tareas de agentes y visualizar interacciones en tiempo real a través de un tablero integrado. Para comportamientos avanzados, integra módulos de aprendizaje por refuerzo y soporta plugins de comportamiento personalizados. Las herramientas de despliegue permiten empaquetar agentes en aplicaciones independientes o redes distribuidas. Además, la API de la plataforma facilita la integración con bases de datos, dispositivos IoT o servicios de IA de terceros, haciéndola adecuada para investigación, automatización industrial y casos de uso en ciudades inteligentes.

Isek es una plataforma centrada en el desarrollador para construir agentes de IA con arquitectura modular. Ofrece un sistema de plugins para herramientas y fuentes de datos, memoria incorporada para retención de contexto y un motor de planificación para coordinar tareas de varios pasos. Puedes desplegar agentes localmente o en la nube, integrar cualquier backend de LLM y ampliar la funcionalidad mediante módulos de comunidad o personalizados. Isek agiliza la creación de chatbots, asistentes virtuales y flujos de trabajo automatizados proporcionando plantillas, SDKs y herramientas CLI para un desarrollo rápido.

LinkAgent proporciona un microkernel liviano para construir agentes de IA con componentes plug-in. Los usuarios pueden registrar backends de modelos de lenguaje, módulos de recuperación y APIs externas como herramientas, y luego ensamblarlos en flujos de trabajo utilizando planificadores y enrutadores integrados. LinkAgent soporta manejadores de memoria para persistencia de contexto, invocación dinámica de herramientas y lógica de decisiones configurable para razonamiento complejo de múltiples pasos. Con poco código, los equipos pueden automatizar tareas como QA, extracción de datos, orquestación de procesos y generación de informes.

LiteMultiAgent ofrece un SDK modular para construir y ejecutar múltiples agentes de IA en paralelo o en secuencia, cada uno con roles y responsabilidades únicos. Proporciona almacenes de memoria integrados, canalizaciones de mensajes, adaptadores de plugins y bucles de ejecución para gestionar comunicaciones complejas entre agentes. Los usuarios pueden personalizar comportamientos de los agentes, integrar herramientas o APIs externas y monitorear conversaciones a través de registros. El diseño liviano del framework y la gestión de dependencias lo hacen ideal para prototipado rápido y despliegue en producción de flujos de trabajo colaborativos de IA.

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.

mcp-agent-graph ofrece una capa de orquestación basada en grafos para agentes de IA, permitiendo a los desarrolladores mapear flujos de trabajo complejos en múltiples pasos como grafos dirigidos. Cada nodo del grafo corresponde a una tarea o función de agente, capturando entradas, salidas y dependencias. Las aristas definen el flujo de datos entre agentes, asegurando el orden correcto de ejecución. El motor soporta modos de ejecución secuencial y paralelo, resolución automática de dependencias y se integra con funciones Python personalizadas o servicios externos. La visualización integrada permite inspeccionar la topología del grafo y depurar los flujos de trabajo. Este marco agiliza el desarrollo de sistemas modulares y escalables de múltiples agentes para procesamiento de datos, flujos de trabajo en lenguaje natural o pipelines combinados de modelos de IA.

Los sistemas multi-agente están diseñados para simplificar la creación, configuración y ejecución de arquitecturas basadas en agentes distribuidos. Los desarrolladores pueden definir comportamientos de agentes, ontologías de comunicación y descripciones de servicios en clases Java. El framework gestiona la configuración de contenedores, el transporte de mensajes y la gestión del ciclo de vida de los agentes. Basado en protocolos estándar FIPA, soporta negociación peer-to-peer, planificación colaborativa y extensión modular. Los usuarios pueden ejecutar, monitorear y depurar escenarios multi-agente en una sola máquina o en hosts conectados, siendo ideal para investigación, educación y despliegues a pequeña escala.

MultiAgent2 proporciona un conjunto completo de herramientas para orquestar agentes IA autónomos impulsados por grandes modelos de lenguaje. Los desarrolladores pueden definir agentes con personalidades, estrategias y contextos de memoria personalizables, permitiéndoles conversar, compartir información y resolver problemas en conjunto. El framework soporta opciones de almacenamiento intercambiables para memoria a largo plazo, acceso basado en roles a datos compartidos y canales de comunicación configurables para diálogos sincrónicos o asincrónicos. Su CLI y SDK en Python facilitan el prototipado rápido, pruebas y despliegue de sistemas multi-agente en casos que van desde experimentos de investigación, soporte automatizado al cliente, pipelines de generación de contenido y sistemas de apoyo a la decisión. Al abstraer la comunicación entre agentes y la gestión de memoria, MultiAgent2 acelera el desarrollo de aplicaciones complejas impulsadas por IA.

NeuralABM es una biblioteca de código abierto en Python que aprovecha PyTorch para integrar redes neuronales en el modelado basado en agentes. Los usuarios pueden especificar arquitecturas de agentes como módulos neuronales, definir dinámicas del entorno y entrenar comportamientos de agentes mediante retropropagación en pasos de simulación. El framework soporta señales de recompensa personalizadas, aprendizaje por currículo y actualizaciones síncronas o asíncronas, permitiendo estudiar fenómenos emergentes. Con utilidades para registro, visualización y exportación de conjuntos de datos, investigadores y desarrolladores pueden analizar el rendimiento de los agentes, depurar modelos y iterar en el diseño de simulaciones. NeuralABM simplifica la combinación de aprendizaje por refuerzo con ABM para aplicaciones en ciencias sociales, economía, robótica y comportamientos de NPC en juegos impulsados por IA. Ofrece componentes modulares para personalizar entornos, soporta interacciones multi-agente y proporciona hooks para integrar conjuntos de datos externos o API en simulaciones del mundo real. El diseño abierto fomenta la reproducibilidad y colaboración mediante una configuración clara de experimentos y la integración con control de versiones.