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.

VillagerAgent proporciona un conjunto completo de herramientas para construir agentes de IA que aprovechan grandes modelos de lenguaje. En su núcleo, los desarrolladores definen interfaces modulares de herramientas como búsqueda web, recuperación de datos o APIs personalizadas. El marco gestiona la memoria del agente almacenando el contexto de la conversación, hechos y estado de la sesión para interacciones multi-turno sin fisuras. Un sistema flexible de plantillas para prompts asegura mensajes coherentes y control del comportamiento. Funciones avanzadas incluyen coordinar múltiples agentes para colaborar en tareas y programar operaciones en segundo plano. Escrito en Python, VillagerAgent soporta una instalación sencilla mediante pip e integra con proveedores populares de LLM. Ya sea construyendo bots de soporte al cliente, asistentes de investigación o herramientas de automatización de workflows, VillagerAgent facilita el diseño, prueba y despliegue de agentes inteligentes.

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.

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.

CrewAI Studio es una plataforma basada en la web que permite a los desarrolladores diseñar, visualizar y monitorear flujos de trabajo IA multiagente. Los usuarios pueden configurar las indicaciones, la lógica de cadenas, la configuración de memoria y las integraciones API externas de cada agente mediante un lienzo gráfico. El estudio se conecta a bases de datos vectoriales populares, proveedores de LLM y puntos finales de plugins. Admite depuración en tiempo real, seguimiento del historial de conversaciones y despliegue con un clic en entornos personalizados, simplificando la creación de asistentes digitales potentes.

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.