MARO (Multi-Agent Resource Optimization) es un marco basado en Python diseñado para apoyar el desarrollo y evaluación de agentes de aprendizaje por refuerzo multi-agente en escenarios de cadena de suministro, logística y gestión de recursos. Incluye plantillas para gestión de inventarios, planificación de camiones, cross-docking, alquiler de contenedores y más. MARO ofrece una API unificada de agentes, rastreadores integrados para registro de experimentos, capacidades de simulación paralela para entrenamiento a gran escala y herramientas de visualización para análisis de rendimiento. La plataforma es modular, extensible e integra bibliotecas RL populares, facilitando investigaciones reproducibles y creación rápida de prototipos de soluciones de optimización basadas en IA.

Truescope brinda monitoreo y análisis de medios mejorados por IA, facilitando el seguimiento y análisis de la cobertura mediática en tiempo real. Con funciones avanzadas como procesamiento de lenguaje natural, análisis de sentimientos y herramientas de informe completas, Truescope permite a los usuarios visualizar su rendimiento y reputación en los medios de comunicación tradicionales y sociales, ayudando a las partes interesadas a mantenerse informadas y proactivas.

Colosseum Agent Battles ofrece un SDK modular en Python para construir competencias de agentes IA en arenas personalizables. Los usuarios pueden definir entornos con terrenos, recursos y reglas específicos, e implementar estrategias de agentes mediante una interfaz estandarizada. El marco gestiona la programación de batallas, lógica de árbitros y registro en tiempo real de acciones y resultados. Incluye herramientas para realizar torneos, seguir estadísticas de victorias y derrotas, y visualizar el rendimiento de los agentes mediante gráficos. Los desarrolladores pueden integrar bibliotecas ML populares para entrenar agentes, exportar datos de batalla para análisis y extender módulos de árbitros para aplicar reglas personalizadas. Finalmente, facilita el benchmarking de estrategias IA en enfrentamientos directos. También soporta registros en formatos JSON y CSV para análisis posteriores.

Los agentes de IA para Piedra-Papel-Tijeras son un proyecto open-source en Python que demuestra cómo construir, entrenar y evaluar diferentes estrategias de IA—juego aleatorio, reconocimiento de patrones basado en reglas y aprendizaje por refuerzo (Q-learning)—en el juego clásico Piedra-Papel-Tijeras. Proporciona clases de agentes modulares, un motor de juego configurable, registro de rendimiento y utilidades de visualización. Los usuarios pueden intercambiar fácilmente agentes, ajustar parámetros de aprendizaje y explorar el comportamiento de IA en escenarios competitivos.

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.