AI-Agents ofrece una arquitectura modular para definir y ejecutar agentes de IA basados en Python. Los desarrolladores pueden configurar comportamientos de agentes, integrar APIs o herramientas externas y gestionar la memoria de los agentes en sesiones múltiples. Utiliza LLMs populares, soporta colaboración multi-agente y permite extensiones mediante plugins para flujos de trabajo complejos como análisis de datos, soporte automatizado y asistentes personalizados.

CArtAgO (Common ARTifact Infrastructure for AGents Open environments) es un marco ligero y extensible para implementar infraestructuras de entornos en sistemas multi-agente. Introduce el concepto de artefactos: entidades de primera clase que representan recursos del entorno con operaciones definidas, propiedades observables y interfaces de eventos. Los desarrolladores definen tipos de artefactos en Java, los registran en clases de entorno, y exponen operaciones y eventos para su uso por parte de los agentes. Los agentes interactúan con los artefactos mediante acciones estándar (p.ej., createArtifact, observe), reciben notificaciones asíncronas de cambios de estado y se coordinan mediante recursos compartidos. CArtAgO se integra fácilmente con plataformas de agentes como Jason, JaCaMo, JADE y Spring Agent, facilitando el desarrollo de sistemas híbridos. El marco ofrece soporte incorporado para documentación de artefactos, carga dinámica y monitoreo en tiempo de ejecución, facilitando la creación rápida de prototipos de aplicaciones complejas basadas en agentes.

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.

OpenAI Agents MCP Server proporciona una base sólida para desplegar y gestionar agentes autónomos impulsados por modelos de OpenAI. Expone una API RESTful flexible para crear, configurar y controlar agentes, permitiendo a los desarrolladores orquestar tareas de múltiples pasos, coordinar interacciones entre agentes y mantener memoria persistente entre sesiones. El marco soporta integraciones de herramientas tipo plugin, registros avanzados de conversaciones y estrategias de planificación personalizables. Al abstraer las preocupaciones de infraestructura, MCP Server agiliza el proceso de desarrollo, facilitando prototipado rápido y despliegue escalable de asistentes conversacionales, automatización de flujos de trabajo y empleados digitales impulsados por IA en entornos de producción.

Shepherding es un marco de simulación de código abierto diseñado para investigadores y desarrolladores de aprendizaje por refuerzo para estudiar e implementar tareas de pastoreo con múltiples agentes. Proporciona un entorno compatible con Gym donde los agentes pueden aprender a realizar comportamientos como rodear, recopilar y dispersar grupos objetivo en espacios continuos o discretos. El marco incluye funciones modulares de configuración de recompensas, parametrización del entorno y utilidades de registro para monitorear el rendimiento del entrenamiento. Los usuarios pueden definir obstáculos, poblaciones dinámicas de agentes y políticas personalizadas usando TensorFlow o PyTorch. Los scripts de visualización generan gráficos de trayectorias y grabaciones de videos de interacciones de agentes. La arquitectura modular de Shepherding permite una integración sin problemas con bibliotecas RL existentes, permitiendo experimentos reproducibles, benchmarking de estrategias de coordinación novedosas y desarrollo rápido de soluciones de pastoreo basadas en IA.

CommNet es una biblioteca orientada a la investigación que implementa la arquitectura CommNet, permitiendo que múltiples agentes compartan estados ocultos en cada paso temporal y aprendan a coordinar acciones en entornos cooperativos. Incluye definiciones de modelos en PyTorch, scripts de entrenamiento y evaluación, envoltorios para entornos OpenAI Gym y utilidades para personalizar canales de comunicación, conteo de agentes y profundidades de red. Investigadores y desarrolladores pueden usar CommNet para prototipar y evaluar estrategias de comunicación entre agentes en tareas de navegación, persecución-salvación y recolección de recursos.

ePH-MAPF proporciona un flujo de trabajo eficiente para calcular rutas sin colisiones para decenas a centenas de agentes en mapas basados en cuadrícula. Utiliza heurísticas priorizadas, técnicas de búsqueda incremental y métricas de coste personalizables (Manhattan, Euclidiana) para equilibrar velocidad y calidad de la solución. Los usuarios pueden seleccionar diferentes funciones heurísticas, integrar la biblioteca en sistemas de robótica basados en Python, y evaluar el rendimiento en escenarios estándar de MAPF. El código es modular y bien documentado, permitiendo a investigadores y desarrolladores extenderlo para obstáculos dinámicos o entornos especializados.