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.

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.

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.