EspressoAI proporciona a los desarrolladores un entorno estructurado para diseñar, configurar y desplegar agentes de IA impulsados por modelos de lenguaje grande. Soporta el registro e invocación de herramientas desde los flujos de trabajo del agente, gestiona el contexto conversacional a través de módulos de memoria integrados y permite encadenar sugerencias para razonamiento de múltiples pasos. Los desarrolladores pueden integrar API externas, complementos personalizados y lógica condicional para adaptar el comportamiento del agente. El diseño modular del marco asegura la extensibilidad, permitiendo a los equipos intercambiar componentes, agregar nuevas capacidades o adaptarse a LLMs patentados sin reescribir la lógica principal.

Query-Bot integra la ingestión de documentos, segmentación de texto y embeddings vectoriales para construir un índice buscable a partir de PDFs, archivos de texto y documentos Word. Usando LangChain y GPT-3.5 Turbo de OpenAI, procesa las consultas del usuario recuperando pasajes relevantes y generando respuestas concisas. La interfaz basada en Streamlit permite a los usuarios cargar archivos, seguir el historial de conversaciones y ajustar configuraciones. Puede desplegarse localmente o en entornos en la nube, ofreciendo un marco extensible para agentes personalizados y bases de conocimientos.

Advanced_RAG ofrece un pipeline modular para tareas de generación aumentada por recuperación, incluyendo cargadores de documentos, constructores de índices vectoriales y gestores de cadenas. Los usuarios pueden configurar diferentes bases de datos vectoriales (FAISS, Pinecone), personalizar las estrategias del recuperador (búsqueda por similitud, búsqueda híbrida), e integrar cualquier LLM para generar respuestas contextuales. También soporta métricas de evaluación y registro para ajuste de rendimiento, y está diseñado para escalabilidad y extensibilidad en entornos de producción.

Agentle proporciona un marco estructurado para que los desarrolladores construyan agentes de IA personalizados con mínima codificación repetitiva. Soporta definir flujos de trabajo de agentes como secuencias de tareas, integración fluida con API y herramientas externas, gestión de memoria conversacional para la preservación del contexto y registros integrados para la auditabilidad. La biblioteca también ofrece hooks para ampliar funciones, coordinación de múltiples agentes en pipelines complejos y una interfaz unificada para ejecutar agentes localmente o desplegarlos mediante APIs HTTP.

Crayon permite a los desarrolladores construir agentes IA autónomos en JavaScript/Node.js que pueden llamar a APIs externas, mantener historial de conversación, planificar tareas en múltiples pasos y manejar procesos asíncronos. En su núcleo, Crayon implementa un ciclo de planificación-ejecución que descompone objetivos de alto nivel en acciones discretas, se integra con kits de herramientas personalizadas y utiliza módulos de memoria para almacenar y recordar información a través de sesiones. El framework soporta múltiples backend de memoria, integración de herramientas mediante plugins y un registro completo para depuración. Los desarrolladores pueden configurar el comportamiento del agente mediante prompts y pipelines basados en YAML, permitiendo flujos de trabajo complejos como scraping de datos, generación de informes y chatbots interactivos. La arquitectura de Crayon fomenta la extensibilidad, permitiendo a los equipos integrar herramientas específicas de dominio y adaptar los agentes a requerimientos empresariales únicos.

CryptoTrader Agents proporciona un conjunto completo de herramientas para diseñar, entrenar y desplegar estrategias de negociación con IA en mercados de criptomonedas. Incluye un entorno modular para ingestión de datos, ingeniería de características y funciones de recompensa personalizadas. Los usuarios pueden aprovechar algoritmos preconfigurados de aprendizaje por refuerzo o integrar sus propios modelos. La plataforma ofrece pruebas retrospectivas simuladas con datos históricos de precios, controles de gestión de riesgos y seguimiento de métricas detalladas. Cuando la estrategia esté lista, los agentes se pueden conectar a APIs de exchange en vivo para ejecución automática. Construido en Python, el marco es completamente extensible, permitiendo a los usuarios prototipar nuevas tácticas, ejecutar barridos de parámetros y monitorear el rendimiento en tiempo real.

e2e-chainlit-chatbot es un proyecto de ejemplo que demuestra el ciclo completo de desarrollo de un agente de IA conversacional usando Chainlit. El repositorio incluye código de extremo a extremo para lanzar un servidor web local que hospeda una interfaz de chat interactiva, integrándose con modelos de lenguaje grandes para respuestas, y gestionando el contexto de la conversación entre mensajes. Incluye plantillas de prompts personalizables, flujos multi-agente, y streaming en tiempo real de las respuestas. Los desarrolladores pueden configurar claves API, ajustar parámetros del modelo, y extender el sistema con lógica personalizada o integraciones. Con dependencias mínimas y documentación clara, este proyecto acelera la experimentación con chatbots dirigidos por IA y proporciona una base sólida para asistentes conversacionales de nivel productivo. También incluye ejemplos para personalizar componentes front-end, registro y manejo de errores. Diseñado para una integración fluida con plataformas en la nube, soporta tanto prototipos como casos de uso en producción.

LangChain Google Gemini Agent es una biblioteca en Python diseñada para simplificar la creación de agentes IA autónomos alimentados por los modelos de lenguaje Gemini de Google. Combina el enfoque modular de LangChain—permitiendo cadenas de instrucciones, gestión de memoria e integración de herramientas—con la avanzada comprensión del lenguaje natural de Gemini. Los usuarios pueden definir herramientas personalizadas para llamadas API, consultas a bases de datos, web scraping y resúmenes de documentos; orquestarlas mediante un agente que interpreta las entradas del usuario, selecciona las acciones de herramientas apropiadas y compone respuestas coherentes. El resultado es un agente flexible capaz de razonamiento en múltiples pasos, acceso a datos en tiempo real y diálogos contextuales, ideal para construir chatbots, asistentes de investigación y flujos de trabajo automatizados, además de integrarse con almacenes vectoriales y servicios en la nube para escalabilidad.

MARL-DPP es un marco de código abierto que permite el aprendizaje por refuerzo multiagente (MARL) con diversidad impuesta mediante Procesos Determinantales (DPP). Los enfoques MARL tradicionales suelen sufrir de convergencia de políticas hacia comportamientos similares; MARL-DPP aborda esto incorporando medidas basadas en DPP para fomentar que los agentes mantengan distribuciones de acciones diversas. El kit de herramientas proporciona código modular para integrar DPP en objetivos de entrenamiento, muestreo de políticas y gestión de exploración. Incluye integración lista para usar con entornos estándar como OpenAI Gym y el Entorno de Partículas Multi-Agente (MPE), además de utilidades para gestión de hiperparámetros, registro y visualización de métricas de diversidad. Los investigadores pueden evaluar el impacto de las restricciones de diversidad en tareas cooperativas, asignación de recursos y juegos competitivos. Su diseño extensible soporta entornos personalizados y algoritmos avanzados, facilitando la exploración de variantes nuevas de MARL-DPP.

La Arquitectura Modular LLM está diseñada para simplificar la creación de aplicaciones personalizadas impulsadas por LLM mediante un diseño componible y modular. Proporciona componentes principales como módulos de memoria para retención del estado de la sesión, interfaces de herramientas para llamadas a API externas, gestores de indicaciones para generación de indicaciones basadas en plantillas o dinámicas, y motores de orquestación para controlar el flujo de trabajo del agente. Puede configurar tuberías que enlacen estos módulos, permitiendo comportamientos complejos como razonamiento en múltiples pasos, respuestas dependientes del contexto y recuperación de datos integrada. El marco soporta múltiples backends de LLM, permitiéndole cambiar o mezclar modelos, y ofrece puntos de extensión para agregar nuevos módulos o lógica personalizada. Esta arquitectura acelera el desarrollo fomentando la reutilización de componentes, manteniendo la transparencia y el control sobre el comportamiento del agente.

MultiAgentes ofrece una arquitectura modular para definir entornos y agentes, soportando interacciones multiagente síncronas y asíncronas. Incluye clases base para entornos y agentes, escenarios predefinidos para tareas cooperativas y competitivas, herramientas para personalizar funciones de recompensa y APIs para comunicación entre agentes y compartición de observaciones. Utilidades de visualización permiten monitorización en tiempo real de comportamientos de agentes, mientras que módulos de registro guardan métricas de rendimiento para análisis. El marco se integra perfectamente con bibliotecas RL compatibles con Gym, permitiendo entrenar agentes con algoritmos existentes. MultiAgentes está diseñado para extensibilidad, permitiendo a desarrolladores agregar nuevos modelos de entornos, tipos de agentes y protocolos de comunicación para diversas aplicaciones de investigación y educativas.

rag-services es una plataforma extensible que descompone las pipelines RAG en microservicios discretos. Ofrece un servicio de almacenamiento de documentos, un servicio de indexación vectorial, un servicio de embedding, múltiples servicios de inferencia LLM y un orquestador para coordinar los flujos de trabajo. Cada componente expone APIs REST, permitiéndote mezclar y combinar bases de datos y proveedores de modelos. Con soporte para Docker y Docker Compose, puedes desplegar localmente o en clústeres Kubernetes. El framework habilita soluciones RAG escalables y tolerantes a fallos para chatbots, bases de conocimientos y Q&A automáticos.