Este repositorio implementa comunicación emergente en aprendizaje por refuerzo multiagente usando PyTorch. Los usuarios pueden configurar redes neuronales para emisores y receptores para jugar a juegos referenciales o navegación cooperativa, fomentando que los agentes desarrollen un canal de comunicación discreto o continuo. Incluye scripts para entrenamiento, evaluación y visualización de protocolos aprendidos, además de utilidades para crear entornos, codificar y decodificar mensajes. Los investigadores pueden extenderlo con tareas personalizadas, modificar arquitecturas de red y analizar la eficiencia del protocolo, promoviendo experimentos rápidos en comunicación emergente de agentes.

MACL es un marco modular de Python diseñado para simplificar la creación y orquestación de múltiples agentes IA. Permite definir agentes individuales con habilidades personalizadas, configurar canales de comunicación y programar tareas en una red de agentes. Los agentes pueden intercambiar mensajes, negociar responsabilidades y adaptarse dinámicamente según datos compartidos. Con soporte integrado para LLMs populares y un sistema de plugins para extensibilidad, MACL habilita flujos de trabajo IA escalables y mantenibles en ámbitos como automatización de atención al cliente, pipelines de análisis de datos y entornos de simulación.

Open ACN es una solución robusta de plataformas y frameworks de IA diseñada para construir sistemas multi-agente descentralizados. Ofrece un conjunto de protocolos de consenso diseñados para la cooperación entre agentes, asegurando decisiones confiables en nodos geodistribuidos. El framework incluye capas de comunicación modulares, plugins de estrategia personalizables y un entorno de simulación integrado para pruebas de extremo a extremo. Los desarrolladores pueden definir comportamientos de agentes, desplegar en Linux, macOS, Windows o Docker, y aprovechar herramientas de registro y monitoreo en tiempo real. Al ofrecer APIs extensibles y una integración sin fisuras con modelos de aprendizaje automático existentes, Open ACN simplifica tareas complejas de orquestación, fomentando redes autónomas interoperables y resistentes, aptas para aplicaciones en robótica, automatización de cadenas de suministro, finanzas descentralizadas y IoT.

PrisimAI proporciona un entorno basado en navegador donde los usuarios pueden crear rápidamente prototipos e implementar agentes inteligentes. Con un constructor de flujo visual, puedes ensamblar componentes con alimentación de LLM, integrar APIs externas, gestionar memoria a largo plazo y orquestar tareas en múltiples pasos. La depuración y monitorización integradas simplifican las pruebas y las iteraciones, mientras que un marketplace de plugins permite extender las funciones con herramientas personalizadas. PrisimAI soporta colaboración en equipo, control de versiones para los diseños de agentes y despliegues con un solo clic para webhooks, widgets de chat o servicios autónomos.

Agent-FLAN está diseñado para simplificar la creación de aplicaciones sofisticadas impulsadas por agentes IA, dividiendo las tareas en roles de planificación y ejecución. Los usuarios definen comportamientos y flujos de trabajo de los agentes mediante archivos de configuración, especificando formatos de entrada, interfaces de herramientas y protocolos de comunicación. El agente de planificación genera planes de tareas de alto nivel, mientras que los agentes de ejecución llevan a cabo acciones específicas, como llamadas a APIs, procesamiento de datos o generación de contenido con grandes modelos de lenguaje. La arquitectura modular de Agent-FLAN soporta adaptadores de herramientas plug-and-play, plantillas de prompts personalizadas y paneles de monitoreo en tiempo real. Se integra sin problemas con proveedores populares de LLM como OpenAI, Anthropic y Hugging Face, permitiendo a los desarrolladores prototipar, probar y desplegar rápidamente flujos de trabajo multi-agentes para escenarios como asistentes de investigación automatizada, pipelines de generación de contenido dinámico y automatización de procesos empresariales.

AgentForge proporciona un entorno estructurado para definir, combinar y orquestar habilidades de IA individuales en agentes autónomos coherentes. Soporta memoria de conversación para retener contexto, integración de plugins para servicios externos, comunicación entre múltiples agentes, programación de tareas y manejo de errores. Los desarrolladores pueden configurar manejadores personalizados de habilidades, aprovechar módulos integrados para comprensión del lenguaje natural y conectarse con grandes modelos de lenguaje (LLMs) como la serie GPT de OpenAI. El diseño modular de AgentForge acelera los ciclos de desarrollo, facilita las pruebas y simplifica el despliegue de chatbots, asistentes virtuales, agentes de análisis de datos y bots de automatización específicos de dominio.

Agentic Shared Memory proporciona una solución robusta para gestionar datos contextuales en entornos multiagente impulsados por IA. Aprovechando embeddings vectoriales y estructuras de datos eficientes, almacena observaciones, decisiones y transiciones de estado de los agentes, permitiendo una recuperación y actualización sin fisuras del contexto. Los agentes pueden consultar la memoria compartida para acceder a interacciones pasadas o conocimientos globales, fomentando un comportamiento coherente y la resolución colaborativa de problemas. La biblioteca soporta integración plug-and-play con frameworks de IA populares como LangChain o coordinadores de agentes personalizados, ofreciendo estrategias de retención personalizables, ventanas de contexto y funciones de búsqueda. Al abstraer la gestión de la memoria, los desarrolladores pueden centrarse en la lógica del agente y garantizar una gestión escalable y coherente de la memoria en implementaciones distribuidas o centralizadas. Esto mejora el rendimiento del sistema, reduce cálculos redundantes y aumenta la inteligencia de los agentes con el tiempo.

AIPE centraliza la orquestación de agentes de IA con módulos plug-in para memoria, planificación, uso de herramientas y colaboración multiagente. Los desarrolladores pueden definir personalidades de agentes, incorporar contexto usando almacenes vectoriales e integrar APIs externas o bases de datos. El marco ofrece un panel web integrado y CLI para probar prompts, monitorear el estado del agente y encadenar tareas. AIPE soporta múltiples motores de almacenamiento, como Redis, SQLite y almacenes en memoria. Configuraciones de múltiples agentes permiten asignar roles especializados — extractor de datos, analista, resumidor — para abordar consultas complejas de forma colaborativa. Al abstraer la ingeniería de prompts, envoltorios API y manejo de errores, AIPE acelera el despliegue de asistentes impulsados por IA para QA de documentos, soporte al cliente y flujos de trabajo automatizados.

La plataforma Isaree está diseñada para simplificar el desarrollo y despliegue de agentes IA. En su núcleo, proporciona una arquitectura unificada para crear agentes autónomos capaces de conversar, tomar decisiones y colaborar. Los desarrolladores pueden definir múltiples agentes con roles personalizados, aprovechar recuperación de memoria basada en vectores e integrar fuentes de datos externas mediante módulos plug-in. La plataforma incluye un SDK Python y una API REST para interacción fluida, soporta streaming en tiempo real de respuestas y ofrece registros y métricas integradas. Su configuración flexible permite escalar en diferentes entornos usando Docker o servicios en la nube. Ya sea para construir chatbots con contexto persistente, automatizar flujos de trabajo de múltiples pasos o orquestar asistentes de investigación, la plataforma Isaree ofrece extensibilidad y fiabilidad para soluciones de IA empresariales.

autogen_multiagent proporciona una forma estructurada de instanciar, configurar y coordinar múltiples agentes de IA en Python. Ofrece creación dinámica de agentes, canales de mensajes entre agentes, planificación de tareas, bucles de ejecución y utilidades de monitorización. Al integrarse perfectamente con la API de OpenAI, puedes asignar roles especializados —como planificador, ejecutor, resumidor— a cada agente y orquestar sus interacciones. Este marco es ideal para escenarios que requieren flujos de trabajo modulares y escalables de IA, como análisis automatizado de documentos, gestión de soporte al cliente y generación de código en múltiples pasos.

El AWS Bedrock Multi-Agent Blueprint proporciona un marco modular para implementar una arquitectura de múltiples agentes en AWS Bedrock. Incluye código de ejemplo para definir roles de agentes — planificador, investigador, ejecutor y evaluador — que colaboran mediante colas de mensajes compartidas. Cada agente puede invocar diferentes modelos Bedrock con indicaciones personalizadas y pasar salidas intermedias a los agentes siguientes. La integración incorporada con CloudWatch, patrones de manejo de errores y soporte para ejecución sincrónica o asincrónica demuestran cómo gestionar la selección de modelos, tareas por lotes y la orquestación de extremo a extremo. Los desarrolladores clonan el repositorio, configuran roles de AWS IAM y puntos finales de Bedrock y despliegan vía CloudFormation o CDK. El diseño de código abierto fomenta ampliar roles, escalar agentes entre tareas e integrar con S3, Lambda y Step Functions.

Swarms World proporciona una interfaz unificada para diseñar sistemas multiagente, permitiendo a los usuarios definir roles, protocolos de comunicación y flujos de trabajo de forma visual o mediante código. Los agentes pueden colaborar, delegar subtareas y agregar resultados en tiempo real. La plataforma soporta implementaciones en local, en la nube y en el borde, con registro, métricas de rendimiento y escalado automático integrados. Un mercado descentralizado permite a los usuarios descubrir, compartir y monetizar módulos de agentes. Con soporte para LLMs, APIs y modelos personalizados, Swarms World acelera el desarrollo de automatizaciones IA robustas y empresariales a gran escala.

Swarms.rs es el entorno de ejecución principal en Rust para ejecutar programas de agentes de IA basados en enjambres. Incluye un sistema modular de plugins para integrar lógica personalizada o modelos de IA, una capa de intercambio de mensajes para comunicación p2p y un ejecutor asíncrono para programar comportamientos de los agentes. Estos componentes permiten a los desarrolladores diseñar, desplegar y escalar redes complejas de agentes descentralizados para tareas de simulación, automatización y colaboración multi-agente.

La Comunicación Emergente en Agentes es un marco de trabajo de código abierto en PyTorch diseñado para investigadores que exploran cómo los sistemas multiagente desarrollan sus propios protocolos de comunicación. La biblioteca ofrece implementaciones flexibles de tareas cooperativas de aprendizaje por refuerzo, incluyendo juegos referenciales, juegos combinatorios y desafíos de identificación de objetos. Los usuarios definen arquitecturas de agentes emisores y receptores, especifican propiedades de los canales de mensajes como tamaño de vocabulario y longitud de secuencia, y seleccionan estrategias de entrenamiento como gradientes de política o aprendizaje supervisado. El framework incluye scripts end-to-end para ejecutar experimentos, analizar la eficiencia de la comunicación y visualizar lenguas emergentes. Su diseño modular permite una extensión fácil con nuevos entornos de juego o funciones de pérdida personalizadas. Los investigadores pueden reproducir estudios publicados, evaluar nuevos algoritmos y analizar la composicionalidad y semántica de los lenguajes de los agentes emergentes.

El solucionador de N-Reinas basado en GA utiliza una arquitectura modular multiagente 2APL donde cada agente codifica una configuración candidata para las N-Reinas. Los agentes evalúan su aptitud contando pares de reinas no atacantes y comparten configuraciones de alta aptitud con otros. Las operaciones genéticas—selección, cruce y mutación—se aplican a la población de agentes para generar nuevas configuraciones candidatas. A lo largo de varias iteraciones, los agentes convergen colectivamente en soluciones válidas de las N-Reinas. El framework está implementado en Java, soporta ajuste de parámetros para tamaño de población, tasa de cruce, probabilidad de mutación y protocolos de comunicación de agentes, y proporciona logs detallados y visualizaciones del proceso evolutivo.

SwarmZero ofrece un entorno escalable de código abierto para definir, gestionar y ejecutar enjambres de agentes de IA. Los desarrolladores pueden declarar roles de agentes, personalizar indicaciones y encadenar flujos de trabajo mediante una API unificada del orquestador. El marco se integra con principales proveedores de LLM, soporta extensiones mediante plugins y registra datos de sesiones para depuración y análisis de rendimiento. Ya sea coordinando bots de investigación, creadores de contenido o analistas de datos, SwarmZero agiliza la colaboración multi-agente y garantiza resultados transparentes y reproducibles.

Microsoft AutoGen está diseñado para facilitar el desarrollo completo de agentes de IA autónomos, proporcionando componentes modulares para gestión de memoria, planificación de tareas, integración de herramientas y comunicación. Los desarrolladores pueden definir herramientas personalizadas con esquemas estructurados y conectarse a proveedores LLM principales como OpenAI y Azure OpenAI. El marco soporta la orquestación de uno o múltiples agentes, permitiendo flujos de trabajo colaborativos en los que los agentes coordinan para completar tareas complejas. Su arquitectura plug-and-play permite fácil expansión con nuevos almacenes de memoria, estrategias de planificación y protocolos de comunicación. Al abstraer los detalles de integración de bajo nivel, AutoGen acelera la creación de prototipos y el despliegue de aplicaciones impulsadas por IA en ámbitos como soporte al cliente, análisis de datos y automatización de procesos.

Multi-Agent es un kit de herramientas para desarrolladores que te ayuda a construir y orquestar múltiples agentes de IA que se ejecutan en paralelo. Cada agente mantiene su propio almacenamiento de memoria, configuración de prompt y cola de mensajes. Puedes definir comportamientos personalizados, establecer canales de comunicación entre agentes y delegar tareas automáticamente según los roles de los agentes. Aprovecha la API Chat de OpenAI para comprensión y generación del lenguaje, y ofrece componentes modulares para orquestación de flujos de trabajo, registro y manejo de errores. Esto permite crear agentes especializados, como asistentes de investigación, procesadores de datos o bots de soporte al cliente, que trabajan juntos en tareas multifacéticas.

Multi-Agent-AI-Dynamic-Interaction proporciona un entorno flexible para diseñar, configurar y ejecutar sistemas compuestos por múltiples agentes de IA autónomos. A cada agente se le pueden asignar roles, objetivos y protocolos de comunicación específicos. El marco gestiona el paso de mensajes, el contexto de conversación y las interacciones secuenciales o paralelas. Soporta la integración con OpenAI GPT, otras API LLM y módulos personalizados. Los usuarios definen escenarios mediante YAML o scripts de Python, especificando detalles de los agentes, pasos del flujo de trabajo y criterios de parada. El sistema registra todas las interacciones para depuración y análisis, permitiendo un control granular sobre el comportamiento de los agentes para experimentos en colaboración, negociación, toma de decisiones y resolución de problemas complejos.

RoboCup Rescue Agent Simulation es un framework de código abierto que modela entornos urbanos donde múltiples agentes impulsados por IA colaboran para localizar y rescatar víctimas. Ofrece interfaces para navegación, mapeo, comunicación e integración de sensores. Los usuarios pueden programar estrategias personalizadas, ejecutar experimentos en lote y visualizar métricas de rendimiento de los agentes. La plataforma soporta configuración de escenarios, registros y análisis de resultados para acelerar la investigación en sistemas multi-agentes y algoritmos de respuesta a desastres.