HMAS es un marco de trabajo de código abierto en Python que permite el desarrollo de sistemas jerárquicos de múltiples agentes. Ofrece abstracciones para definir jerarquías de agentes, protocolos de comunicación entre agentes, integración de entornos y ciclos de entrenamiento incorporados. Investigadores y desarrolladores pueden usar HMAS para prototipar interacciones complejas entre agentes, entrenar políticas coordinadas y evaluar el rendimiento en entornos simulados. Su diseño modular facilita extender y personalizar agentes, entornos y estrategias de entrenamiento.

Jason-RL añade una capa de aprendizaje por refuerzo al marco multiagente de Jason, permitiendo que los agentes AgentSpeak BDI aprendan políticas de selección de acciones mediante retroalimentación de recompensas. Implementa algoritmos Q-learning y SARSA, soporta la configuración de parámetros de aprendizaje (tasa de aprendizaje, factor de descuento, estrategia de exploración) y registra métricas de entrenamiento. Al definir funciones de recompensa en los planes de agentes y ejecutar simulaciones, los desarrolladores pueden observar cómo los agentes mejoran su toma de decisiones con el tiempo y se adaptan a entornos cambiantes sin codificación manual de políticas.

JasonEnvironments entrega una colección de módulos de entorno diseñados específicamente para el sistema multi-agente Jason. Cada módulo expone una interfaz estandarizada para que los agentes perciban, actúen e interactúen en escenarios diversos como persecución y evasión, búsqueda de recursos y tareas cooperativas. La biblioteca es fácil de integrar en proyectos Jason existentes: solo incluye el JAR, configura el entorno deseado en tu archivo de arquitectura de agentes y lanza la simulación. Los desarrolladores también pueden extender o personalizar parámetros y reglas para adaptarlos a sus necesidades de investigación o educativas.

AgentSimJS está diseñada para simplificar la creación y ejecución de modelos escalables basados en agentes en JavaScript. Con su arquitectura modular, los desarrolladores pueden definir agentes con estados personalizados, sensores, funciones de decisión y actuadores, y luego integrarlos en entornos dinámicos parametrizados por variables globales. El marco orquesta simulaciones con pasos discretos en el tiempo, gestiona mensajes basados en eventos entre agentes y registra datos de interacción para análisis. Los módulos de visualización soportan renderizado en tiempo real usando HTML5 Canvas o bibliotecas externas, mientras que los plugins permiten integración con herramientas estadísticas. AgentSimJS funciona tanto en navegadores modernos como en Node.js, siendo adecuado para aplicaciones web interactivas, investigación académica, herramientas educativas y prototipado rápido en inteligencia colectiva, dinámica de multitudes o experimentos de IA distribuida.

OpenMAS está diseñado para facilitar el desarrollo y evaluación de agentes de IA descentralizados y estrategias de coordinación multi-agentes. Presenta una arquitectura modular que permite a los usuarios definir comportamientos de agentes personalizados, modelos de entornos dinámicos y protocolos de mensajería entre agentes. El marco soporta simulación basada en física, ejecución basada en eventos e integración de plugins para algoritmos de IA. Los usuarios pueden configurar escenarios mediante YAML o Python, visualizar interacciones de agentes y recopilar métricas de rendimiento a través de herramientas de análisis integradas. OpenMAS agiliza la creación de prototipos en áreas como inteligencia en enjambre, robótica cooperativa y toma de decisiones distribuidas.