HMAS es un marco de trabajo de código abierto en Python que permite el desarrollo de sistemas jerárquicos de múltiples agentes. Ofrece abstracciones para definir jerarquías de agentes, protocolos de comunicación entre agentes, integración de entornos y ciclos de entrenamiento incorporados. Investigadores y desarrolladores pueden usar HMAS para prototipar interacciones complejas entre agentes, entrenar políticas coordinadas y evaluar el rendimiento en entornos simulados. Su diseño modular facilita extender y personalizar agentes, entornos y estrategias de entrenamiento.

IRIS (Interactive Research Ideation System) es un asistente impulsado por IA que permite a los investigadores prototipar rápidamente ideas de estudio. Los usuarios ingresan un tema o dominio de investigación, y IRIS produce preguntas de investigación personalizadas, identifica conceptos clave, sintetiza resúmenes de literatura relevantes y sugiere diseños experimentales o enfoques metodológicos. Organiza estos conocimientos en flujos de trabajo personalizables, apoyando el desarrollo de hipótesis, la planificación de recolección de datos y la interpretación de resultados. A través de conversaciones iterativas, IRIS ajusta las salidas en base a retroalimentación, asegura alineación con los objetivos de investigación y exporta informes estructurados en formatos como PDF, DOCX o Markdown. Al automatizar tareas repetitivas y potenciar la creatividad, IRIS acelera la investigación en etapas tempranas en academia, laboratorios de I+D y startups, fomentando la innovación y reduciendo el tiempo para obtener insights.

multi_agent_celar está diseñado como una plataforma de IA modular que permite la comunicación mediante lenguaje emergente entre múltiples agentes inteligentes en entornos simulados. Los usuarios pueden definir comportamientos de agentes a través de archivos de política, configurar parámetros del entorno, y lanzar sesiones de entrenamiento coordinadas donde los agentes evolucionan sus propios protocolos de comunicación para resolver tareas cooperativas. El marco incluye scripts de evaluación, herramientas de visualización y soporte para experimentos escalables, siendo ideal para investigación en colaboración multi-agente, lenguaje emergente y procesos de toma de decisiones.

El autoaprendizaje simple ofrece a los desarrolladores un enfoque muy simple para crear y entrenar agentes de aprendizaje por refuerzo en Python. El marco abstrae componentes centrales del RL, como envoltorios de entorno, módulos de política y búferes de experiencia, en interfaces concisas. Los usuarios pueden inicializar rápidamente entornos, definir políticas personalizadas usando backends familiares como PyTorch o TensorFlow, y ejecutar bucles de entrenamiento con registro y guardado de puntos de control integrados. La biblioteca soporta algoritmos on-policy y off-policy, permitiendo experimentar de forma flexible con Q-learning, gradientes de políticas y métodos actor-crítico. Al reducir el código repetitivo, el autoaprendizaje simple permite a practicantes, educadores e investigadores prototipar algoritmos, probar hipótesis y visualizar el rendimiento del agente con configuración mínima. Su diseño modular también facilita la integración con pilas de ML existentes y entornos personalizados.