Este repositorio agrupa una colección completa de componentes de sistemas multiagente y técnicas de coordinación AI distribuida. Proporciona implementaciones de algoritmos de consenso, protocolos de negociación Contract-Net, asignación de tareas basada en subastas, estrategias de formación de coaliciones y marcos de comunicación entre agentes. Los usuarios pueden aprovechar entornos de simulación integrados para modelar y probar comportamientos de agentes bajo diferentes topologías de red, escenarios de latencia y modos de falla. El diseño modular permite a desarrolladores e investigadores integrar, ampliar o personalizar módulos de coordinación para aplicaciones en enjambres de robots, colaboración entre dispositivos IoT, redes eléctricas inteligentes y sistemas de toma de decisiones distribuidos.

El sistema multi-agente de recomendación para centros comerciales es un marco impulsado por IA basado en una arquitectura multi-agente para mejorar la experiencia de compra. Incluye agentes que rastrean las interacciones de los visitantes; agentes de preferencias que analizan datos pasados y en tiempo real; y agentes de recomendación que generan sugerencias personalizadas de productos y promociones. Los agentes se comunican mediante un protocolo de paso de mensajes para actualizar modelos de usuario, compartir insights entre agentes y ajustar las recomendaciones de manera dinámica. Soporta integración con CMS y POS para retroalimentación en tiempo real de inventario y ventas. Su diseño modular permite a los desarrolladores personalizar comportamientos, integrar nuevas fuentes de datos y desplegar en diversas plataformas. Ideal para grandes entornos minoristas, mejora la satisfacción del cliente y aumenta las ventas con recomendaciones precisas y contextuales.

CHAMP Multiagent AI proporciona un entorno unificado para definir, entrenar y orquestar agentes de IA especializados que colaboran en tareas empresariales. Puedes crear agentes de procesamiento de datos, agentes de soporte a decisiones, agentes de programación y agentes de monitoreo, y conectarlos mediante flujos de trabajo visuales o API. Incluye funciones para gestión de modelos, comunicación entre agentes, monitoreo de rendimiento e integración con sistemas existentes, permitiendo una automatización escalable y una orquestación inteligente de procesos end-to-end.

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.

CAMEL-AI es un marco basado en Python que permite a desarrolladores e investigadores construir, configurar y hacer correr múltiples agentes de IA autónomos alimentados por LLMs. Ofrece soporte integrado para generación aumentada por recuperación (RAG), uso de herramientas externas, comunicación entre agentes, gestión de memoria y estado, y programación. Con componentes modulares y fácil integración, los equipos pueden prototipar sistemas multi-agente complejos, automatizar flujos de trabajo y escalar experimentos en diferentes backends de LLM.

Crewai proporciona una biblioteca en Python para diseñar y ejecutar sistemas con múltiples agentes de IA. Los usuarios pueden definir agentes individuales con roles especializados, configurar canales de mensajería para comunicación entre agentes e implementar planificadores dinámicos para asignar tareas en función del contexto en tiempo real. Su arquitectura modular permite integrar diferentes LLM o modelos personalizados para cada agente. Herramientas integradas de registro y monitoreo rastrean conversaciones y decisiones, permitiendo una depuración y mejora iterativa del comportamiento de los agentes.

El marco de IA multi-agente proporciona una solución de extremo a extremo para orquestar múltiples agentes autónomos en entornos en la nube. Aprovecha la base de datos sin servidor compatible con Postgres de Neon para almacenar el historial de conversaciones y el estado del agente, Azure Functions para ejecutar la lógica del agente a escala, y APIs de OpenAI para potenciar la comprensión y generación del lenguaje natural. Los colas de mensajes integradas y los comportamientos basados en roles permiten a los agentes colaborar en tareas como investigación, programación, soporte al cliente y análisis de datos. Los desarrolladores pueden personalizar las políticas del agente, las reglas de memoria y los flujos de trabajo para adaptarse a diversos requisitos comerciales.

MultiAgentPuzzleSolver proporciona un entorno modular donde agentes de IA independientes trabajan juntos para resolver rompecabezas como fichas deslizantes, Cubo de Rubik y cuadrículas lógicas. Los agentes comparten información de estado, negocian asignaciones de subtareas y aplican diversas heurísticas para explorar el espacio de soluciones más eficazmente que los enfoques de un solo agente. Los desarrolladores pueden integrar nuevos comportamientos de agentes, personalizar protocolos de comunicación y añadir definiciones de rompecabezas. El marco incluye herramientas para visualización en tiempo real, recopilación de métricas de rendimiento y automatización de experimentos. Es compatible con Python 3.8+, bibliotecas estándar y conjuntos de herramientas ML populares para una integración fluida en proyectos de investigación.

MultiAgentSystems está diseñado para simplificar el proceso de construir y evaluar aplicaciones de aprendizaje por refuerzo multiagente (MARL). La plataforma incluye implementaciones de algoritmos de vanguardia como MADDPG, QMIX, VDN, además de entrenamiento centralizado con ejecución descentralizada. Incluye envoltorios modulares de entornos compatibles con OpenAI Gym, protocolos de comunicación para interacción entre agentes y utilidades de registro para rastrear métricas como la forma del premio y tasas de convergencia. Los investigadores pueden personalizar arquitecturas de agentes, ajustar hiperparámetros y simular escenarios como navegación cooperativa, asignación de recursos y juegos adversarios. Con soporte integrado para PyTorch, aceleración GPU e integración con TensorBoard, MultiAgentSystems acelera la experimentación y evaluación comparativa en dominios multiagente colaborativos y competitivos.