simple_rl es una biblioteca Python minimalista diseñada para agilizar la investigación y educación en aprendizaje por refuerzo. Ofrece una API coherente para definir entornos y agentes, con soporte incorporado para paradigmas RL comunes como Q-learning, Monte Carlo y algoritmos de programación dinámica como iteración de valores y políticas. El marco incluye entornos de ejemplo como GridWorld, MountainCar y Multi-Armed Bandits, facilitando experimentación práctica. Los usuarios pueden extender clases base para implementar entornos o agentes personalizados, mientras que funciones utilitarias manejan el registro, seguimiento de rendimiento y evaluación de políticas. La arquitectura ligera y código claro de simple_rl lo hacen ideal para prototipado rápido, enseñanza de fundamentos de RL y benchmarking de nuevos algoritmos en un entorno reproducible y fácil de entender.

negotiation_agent proporciona un conjunto de herramientas modular para construir bots de negociación autónomos impulsados por modelos similares a GPT. Los desarrolladores pueden especificar escenarios de negociación definiendo elementos, preferencias y funciones de utilidad para modelar los objetivos del agente. El marco incluye plantillas predefinidas de agentes y permite integrar estrategias personalizadas, abarcando generación de ofertas, evaluación de contraofertas, decisiones de aceptación y cierre de acuerdos. Gestiona los flujos de diálogo mediante protocolos estandarizados, soporta simulaciones en lotes para experimentos estilo torneo y calcula métricas de rendimiento como tasa de acuerdo, ganancias de utilidad y puntuaciones de equidad. La arquitectura abierta facilita cambiar los backends LLM subyacentes y extender la lógica del agente a través de plugins. Con negotiation_agent, los equipos pueden crear rápidamente prototipos y evaluar soluciones de negociación automatizada en comercio electrónico, investigación y entornos educativos.