El proyecto utiliza el framework JADE (Java Agent DEvelopment) para construir un entorno multi-agente. Define agentes que se registran en AMS y DF de la plataforma, intercambian mensajes ACL y ejecutan comportamientos como cíclicos, de una sola vez y FSM. Los escenarios ejemplo incluyen negociaciones comprador-vendedor, protocolos de contrato en red y asignación de tareas. Un contenedor GUI de agentes ayuda a monitorear los estados de los agentes en tiempo de ejecución y los flujos de mensajes.

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.