Este repositorio proporciona un marco completo para la investigación en juego en StarCraft II. El agente principal usa Proximal Policy Optimization (PPO) para aprender redes de política que interpretan datos de observación del entorno PySC2 y generan acciones precisas en el juego. Los desarrolladores pueden configurar capas de redes neuronales, formateo de recompensas y horarios de entrenamiento para optimizar el rendimiento. El sistema soporta multiproceso para recolección eficiente de muestras, utilidades de registro para monitorear curvas de entrenamiento y scripts de evaluación para correr políticas entrenadas contra oponentes scriptados o AI incorporados. El código está escrito en Python y aprovecha TensorFlow para definición y optimización de modelos. Los usuarios pueden extender componentes como funciones de recompensa personalizadas, preprocesamiento de estado o arquitecturas de red para fines específicos de investigación.

Wizard Language es un lenguaje de dominio específico declarativo construido sobre TypeScript para crear asistentes de IA como asistentes de mándalas de hechizos. Los desarrolladores definen pasos impulsados por intención, solicitudes, invocaciones de herramientas, almacenes de memoria y lógica de ramificación en un DSL conciso. Internamente, Wizard Language compila estas definiciones en llamadas orquestadas a LLM, gestionando contexto, flujos asíncronos y manejo de errores. Acelera la creación de prototipos de chatbots, asistentes de recuperación de datos y flujos de trabajo automatizados abstraiendo la ingeniería de solicitudes y la gestión de estado en componentes reutilizables.

AskAtlasAI-Agent permite a los desarrolladores desplegar agentes de IA que responden consultas en lenguaje natural contra cualquier conjunto de documentos almacenados en MongoDB Atlas. Coordina llamadas a LLM para incrustaciones, búsquedas y generación de respuestas, maneja el contexto de conversación y ofrece cadenas de instrucciones configurables. Construido sobre JavaScript/TypeScript, requiere poca configuración: conecta tu clúster de Atlas, proporciona credenciales de OpenAI, ingiere o referencia tus documentos y comienza a consultar mediante una API sencilla. También soporta extensiones con funciones de clasificación personalizadas, backends de memoria y orquestación multiesModelo.

autogen4j es una biblioteca ligera en Java diseñada para abstraer la complejidad de construir agentes de IA autónomos. Ofrece módulos principales para planificación, almacenamiento de memoria y ejecución de acciones, permitiendo que los agentes descompongan objetivos de alto nivel en sub-tareas secuenciales. El framework se integra con proveedores de LLM (por ejemplo, OpenAI, Anthropic) y permite registrar herramientas personalizadas (clientes HTTP, conectores de bases de datos, entrada/salida de archivos). Los desarrolladores definen agentes mediante un DSL fluido o anotaciones, ensamblando rápidamente pipelines para enriquecimiento de datos, informes automatizados y bots conversacionales. Un sistema de plugins extensible asegura flexibilidad, permitiendo comportamientos ajustados en diversas aplicaciones.

El marco del Agente RAG Controlable proporciona un enfoque modular para construir sistemas de Generación Aumentada por Recuperación. Permite configurar y encadenar componentes de recuperación, módulos de memoria y estrategias de generación. Los desarrolladores pueden conectar diferentes LLMs, bases de datos vectoriales y controladores de políticas para ajustar cómo se recuperan y procesan los documentos antes de generar. Construido en Python, incluye utilidades para indexar, consultar, rastrear el historial de conversación y flujos de control basados en acciones, lo que lo hace ideal para chatbots, asistentes de conocimiento y herramientas de investigación.

GenAI Processors proporciona una biblioteca de procesadores reutilizables y configurables para construir flujos de trabajo de IA generativa de extremo a extremo. Los desarrolladores pueden ingerir documentos, dividirlos en fragmentos semánticos, generar embeddings, almacenar y consultar vectores, aplicar estrategias de recuperación y construir dinámicamente prompts para llamadas a grandes modelos de lenguaje. Su diseño plug-and-play facilita la extensión de pasos de procesamiento personalizados, la integración sin fisuras con servicios de Google Cloud o almacenes de vectores externos, y la orquestación de pipelines RAG complejos para tareas como respuestas a preguntas, resumen y recuperación de conocimientos.

Janus Pro es un generador de imágenes AI de vanguardia que utiliza modelos avanzados para crear imágenes de alta calidad a partir de descripciones de texto. Construido sobre la arquitectura DeepSeek-LLM con 7 mil millones de parámetros, Janus Pro proporciona un rendimiento excepcional tanto en comprensión multimodal como en tareas de generación visual. Aprovecha un nuevo marco autorregresivo y rutas de codificación separadas para ofrecer una calidad de imagen, detalle y precisión superiores. Disponible de forma gratuita y de código abierto, Janus Pro está diseñado para ser fácil de usar, permitiendo a los usuarios transformar sus ideas creativas en impresionantes visuales sin esfuerzo.

Mina proporciona una base liviana pero potente para construir agentes de IA en Python. Puedes definir herramientas personalizadas (como raspadores web, calculadoras o conectores de bases de datos), adjuntar buffers de memoria para mantener el contexto conversacional y orquestar secuencias de llamadas a modelos de lenguaje para razonamiento en múltiples pasos. Basada en APIs comunes de LLM, Mina maneja la ejecución asincrónica, manejo de errores y registro en logs. Su diseño modular facilita la extensión con nuevas capacidades, mientras que la interfaz CLI permite crear prototipos rápidos y desplegar aplicaciones impulsadas por agentes.

MS-Office-AI es un framework de Python de código abierto que integra sin problemas los modelos GPT-3/GPT-4 de OpenAI con las aplicaciones de Microsoft Office a través de la API COM. Ofrece a desarrolladores y usuarios avanzados un conjunto de funciones para automatizar la creación de contenido y análisis de datos en Word, Excel y PowerPoint. Con llamadas simples a métodos, puedes generar borradores de documentos completos, resumir puntos clave de textos existentes, crear automáticamente tablas y gráficos a partir de consultas en lenguaje natural y ensamblar diapositivas estructuradas. El paquete gestiona la comunicación con la API, el manejo de errores y las interacciones con el modelo de objetos de Office, permitiéndote concentrarte en crear prompts y flujos de trabajo. Ya sea que necesites redactar informes, analizar conjuntos de datos o construir presentaciones, MS-Office-AI acelera tu productividad en Office incorporando IA directamente en tu entorno habitual.

Llama-Agent es un conjunto de herramientas enfocado en desarrolladores para crear agentes de IA inteligentes potenciados por grandes modelos de lenguaje. Ofrece integración de herramientas para llamar a APIs o funciones externas, gestión de memoria para almacenar y recuperar contexto, y planificación en cadena de pensamiento para desglosar tareas complejas. Los agentes pueden ejecutar acciones, interactuar con entornos personalizados y adaptarse mediante un sistema de plugins. Como un proyecto de código abierto, soporta la extensión sencilla de componentes centrales, permitiendo experimentación rápida y despliegue de flujos de trabajo automatizados en varias áreas.

MADDPG-Keras ofrece un marco completo para la investigación en aprendizaje por refuerzo multiagente al implementar el algoritmo MADDPG en Keras. Admite espacios de acción continuos, múltiples agentes y entornos estándar de OpenAI Gym. Los investigadores y desarrolladores pueden configurar arquitecturas de redes neuronales, hiperparámetros de entrenamiento y funciones de recompensa, luego lanzar experimentos con registros integrados y puntos de control para acelerar el aprendizaje de políticas multiagente y la evaluación comparativa.

MAGAIL implementa una extensión multi-agente del aprendizaje por imitación adversarial generativa, permitiendo a grupos de agentes aprender comportamientos coordinados a partir de demostraciones de expertos. Construido en Python con soporte para PyTorch (o variantes TensorFlow), MAGAIL consiste en módulos de política (generador) y discriminador entrenados en un bucle adversarial. Los agentes generan trayectorias en entornos como OpenAI Multi-Agent Particle Environment o PettingZoo, que el discriminador evalúa para verificar su autenticidad en comparación con datos de expertos. Mediante actualizaciones iterativas, las redes de políticas convergen hacia estrategias similares a las de los expertos sin funciones de recompensa explícitas. El diseño modular de MAGAIL permite personalizar arquitecturas de red, ingestión de datos de expertos, integración de entornos y hiperparámetros de entrenamiento. Además, la programación y visualización en TensorBoard facilitan el monitoreo y análisis del progreso del aprendizaje multi-agente y los puntos de referencia de rendimiento.