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.

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.

Swarms es un marco enfocado en desarrolladores que permite la creación, orquestación y ejecución de flujos de trabajo de IA multi-agente. Tú defines agentes con roles específicos, configuras su comportamiento mediante prompts de LLM y los vinculas a herramientas o APIs externas. Swarms gestiona la comunicación entre agentes, la planificación de tareas y la persistencia de memoria. Su arquitectura de plugins permite integrar módulos personalizados —como recuperadores, bases de datos o paneles de monitoreo—, mientras que los conectores integrados soportan proveedores populares de LLM. Ya sea que necesites análisis de datos coordinados, soporte automatizado al cliente o pipelines complejos de toma de decisiones, Swarms ofrece los componentes para desplegar ecosistemas de agentes autónomos y escalables.

Multi-Agent-Blueprint es una base de código open-source integral para construir y orquestar múltiples agentes impulsados por IA que colaboran para abordar tareas complejas. En su núcleo, ofrece un sistema modular para definir roles distintos de agentes —como investigadores, analistas y ejecutores— cada uno con almacenes de memoria dedicados y plantillas de solicitud. El marco se integra perfectamente con grandes modelos de lenguaje, APIs de conocimiento externas y herramientas personalizadas, permitiendo una delegación dinámica de tareas y bucles de retroalimentación iterativos entre agentes. También incluye registro y monitoreo integrados para rastrear interacciones y salidas de agentes. Con flujos de trabajo personalizables y componentes intercambiables, desarrolladores e investigadores pueden prototipar rápidamente pipelines multi-agente para aplicaciones como generación de contenido, análisis de datos, desarrollo de productos o soporte al cliente automatizado.

MultiAgentes ofrece una arquitectura modular para definir entornos y agentes, soportando interacciones multiagente síncronas y asíncronas. Incluye clases base para entornos y agentes, escenarios predefinidos para tareas cooperativas y competitivas, herramientas para personalizar funciones de recompensa y APIs para comunicación entre agentes y compartición de observaciones. Utilidades de visualización permiten monitorización en tiempo real de comportamientos de agentes, mientras que módulos de registro guardan métricas de rendimiento para análisis. El marco se integra perfectamente con bibliotecas RL compatibles con Gym, permitiendo entrenar agentes con algoritmos existentes. MultiAgentes está diseñado para extensibilidad, permitiendo a desarrolladores agregar nuevos modelos de entornos, tipos de agentes y protocolos de comunicación para diversas aplicaciones de investigación y educativas.

Nuzon-AI proporciona un marco de agentes basado en Python que permite definir tareas, gestionar la memoria conversacional y ampliar capacidades mediante plugins. Soporta integración con principales LLMs (OpenAI, modelos locales), permitiendo a los agentes realizar interacciones web, análisis de datos y flujos de trabajo automatizados. La arquitectura incluye un registro de habilidades, un sistema de invocación de herramientas y una capa de orquestación multi-agentes, permitiéndote combinar agentes para soporte al cliente, asistencia en investigación y productividad personal. Con archivos de configuración, puedes personalizar el comportamiento de cada agente, la política de retención de memoria y los registros para depuración o auditoría.

Este repositorio ofrece un marco multi-agente personalizable que simula un centro de llamadas de taxi. Define agentes de IA distintos: CustomerAgent para solicitar viajes, DispatchAgent para seleccionar conductores según proximidad, DriverAgent para confirmar asignaciones y actualizar estados, y NotificationAgent para facturación y mensajes. Los agentes interactúan a través de un ciclo de orquestación usando llamadas GPT de OpenAI y memoria, permitiendo diálogo asíncrono, manejo de errores y registros. Los desarrolladores pueden ampliar o adaptar las solicitudes de los agentes, integrar sistemas en tiempo real y prototipar flujos de trabajo de atención al cliente y despacho impulsados por IA con facilidad.

Java-Action-Datetime es un módulo adicional para el marco del sistema multiagente LightJason, diseñado para manejar todas las operaciones temporales dentro de sus agentes. Proporciona acciones para obtener la marca de tiempo actual, analizar cadenas de fecha/hora en objetos temporales Java, aplicar patrones de formateo personalizados, realizar operaciones aritméticas como añadir o restar duraciones, calcular diferencias entre datetimes y convertir entre zonas horarias. Estas acciones se integran perfectamente en el código del agente LightJason, reducen la redundancia y habilitan un razonamiento temporal confiable y coherente en despliegues distribuidos de agentes.

MASChat proporciona un marco flexible para orquestar conversaciones entre múltiples agentes de IA impulsados por modelos de lenguaje. Los desarrolladores pueden definir agentes con roles específicos—como investigador, resumidor o crítico—y especificar sus indicaciones, permisos y protocolos de comunicación. El gestor central de MASChat maneja el enrutamiento de mensajes, asegura la preservación del contexto y registra las interacciones para la trazabilidad. Al coordinar agentes especializados, MASChat descompone tareas complejas—como investigación, creación de contenido o análisis de datos—en flujos de trabajo paralelos, mejorando la eficiencia y el conocimiento. Se integra con las API GPT de OpenAI o con modelos locales y permite extensiones mediante complementos para comportamientos personalizados. MASChat es ideal para prototipar estrategias de多 agentes, simular entornos colaborativos y explorar comportamientos emergentes en sistemas de IA.