La plataforma IntelligentMASPlatform se construye para acelerar el desarrollo y despliegue de sistemas multi-agente ofreciendo una arquitectura modular con capas distintas para agentes, entornos y servicios. Los agentes se comunican usando mensajería ACL compatible con FIPA, lo que permite negociaciones y coordinación dinámica. La plataforma incluye un simulador de entornos versátil que permite modelar escenarios complejos, programar tareas de agentes y visualizar interacciones en tiempo real a través de un tablero integrado. Para comportamientos avanzados, integra módulos de aprendizaje por refuerzo y soporta plugins de comportamiento personalizados. Las herramientas de despliegue permiten empaquetar agentes en aplicaciones independientes o redes distribuidas. Además, la API de la plataforma facilita la integración con bases de datos, dispositivos IoT o servicios de IA de terceros, haciéndola adecuada para investigación, automatización industrial y casos de uso en ciudades inteligentes.

Java-Action-Shape es una biblioteca de acciones dedicada diseñada para ampliar el marco multiagente LightJason con capacidades geométricas avanzadas. Proporciona a los agentes acciones listas para usar para instanciar formas comunes (círculo, rectángulo, polígono), aplicar transformaciones (trasladar, rotar, escalar) y realizar cálculos analíticos (área, perímetro, centroide). Cada acción es segura para hilos y se integra con el modelo de ejecución asíncrona de LightJason, garantizando procesamiento paralelo eficiente. Los desarrolladores pueden definir formas personalizadas especificando vértices y aristas, registrarlas en el registro de acciones del agente e incluirlas en las definiciones de planes. Centralizando la lógica relacionada con formas, Java-Action-Shape reduce el código repetitivo, garantiza APIs coherentes y agiliza la creación de aplicaciones dirigidas por la geometría, desde simulaciones hasta herramientas educativas.

mcp-agent-graph ofrece una capa de orquestación basada en grafos para agentes de IA, permitiendo a los desarrolladores mapear flujos de trabajo complejos en múltiples pasos como grafos dirigidos. Cada nodo del grafo corresponde a una tarea o función de agente, capturando entradas, salidas y dependencias. Las aristas definen el flujo de datos entre agentes, asegurando el orden correcto de ejecución. El motor soporta modos de ejecución secuencial y paralelo, resolución automática de dependencias y se integra con funciones Python personalizadas o servicios externos. La visualización integrada permite inspeccionar la topología del grafo y depurar los flujos de trabajo. Este marco agiliza el desarrollo de sistemas modulares y escalables de múltiples agentes para procesamiento de datos, flujos de trabajo en lenguaje natural o pipelines combinados de modelos de IA.

Los sistemas multi-agente están diseñados para simplificar la creación, configuración y ejecución de arquitecturas basadas en agentes distribuidos. Los desarrolladores pueden definir comportamientos de agentes, ontologías de comunicación y descripciones de servicios en clases Java. El framework gestiona la configuración de contenedores, el transporte de mensajes y la gestión del ciclo de vida de los agentes. Basado en protocolos estándar FIPA, soporta negociación peer-to-peer, planificación colaborativa y extensión modular. Los usuarios pueden ejecutar, monitorear y depurar escenarios multi-agente en una sola máquina o en hosts conectados, siendo ideal para investigación, educación y despliegues a pequeña escala.

NKC Modelos Multi-Agente proporciona a investigadores y desarrolladores un conjunto completo de herramientas para diseñar, entrenar y evaluar sistemas de aprendizaje por refuerzo multiagente. Presenta una arquitectura modular donde los usuarios definen políticas de agentes personalizadas, dinámicas de entorno y estructuras de recompensa. La integración sin problemas con OpenAI Gym permite prototipado rápido, mientras que el soporte para TensorFlow y PyTorch ofrece flexibilidad en la selección de plataformas de aprendizaje. El marco incluye utilidades para reproducción de experiencias, entrenamiento centralizado con ejecución descentralizada y entrenamiento distribuido en múltiples GPU. Módulos extensivos de registro y visualización capturan métricas de rendimiento, facilitando la evaluación y ajuste de hiperparámetros. Al simplificar la configuración de escenarios cooperativos, competitivos y de motiva mixtos, NKC Modelos Multi-Agente acelera la experimentación en dominios como vehículos autónomos, enjambres robóticos y AI en juegos.

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.

PommerLearn permite a investigadores y desarrolladores entrenar bots RL multi-agente en el entorno de juego Pommerman. Incluye implementaciones listas para usar de algoritmos populares (PPO, DQN), archivos de configuración flexibles para hiperparámetros, registro automático y visualización de métricas de entrenamiento, guardado de modelos y scripts de evaluación. Su arquitectura modular facilita la extensión con nuevos algoritmos, la personalización de entornos y la integración con bibliotecas ML estándar como PyTorch.

Team of AI Agents ofrece una arquitectura modular para construir y desplegar sistemas multi-agente. Cada agente opera con roles distintos, utilizando una memoria global y contextos locales para la retención del conocimiento. El marco soporta mensajería asíncrona, uso de herramientas mediante adaptadores y reasignación dinámica de tareas en función de resultados de los agentes. Los desarrolladores configuran los agentes mediante scripts Python o YAML, permitiendo especialización temática, jerarquía de objetivos y gestión de prioridades. Incluye métricas integradas para evaluación del rendimiento y depuración, facilitando iteraciones rápidas. Con una arquitectura de plugins extensible, los usuarios pueden integrar modelos NLP personalizados, bases de datos o APIs externas. Team of AI Agents acelera flujos de trabajo complejos aprovechando la inteligencia colectiva de agentes especializados, siendo ideal para investigación, automatización y entornos de simulación.

VMAS es un paquete de herramientas completo para construir y entrenar sistemas multi-agentes utilizando aprendizaje profundo por refuerzo. Soporta simulaciones paralelas en GPU de cientos de instancias de entornos, permitiendo recopilación de datos de alto rendimiento y entrenamiento escalable. VMAS incluye implementaciones de algoritmos MARL populares como PPO, MADDPG, QMIX y COMA, junto con interfaces modulares para políticas y entornos para prototipado rápido. El marco facilita entrenamiento centralizado con ejecución descentralizada (CTDE), ofrece personalización del modelado de recompensas, espacios de observación y hooks de devolución de llamada para registro y visualización. Con su diseño modular, VMAS se integra perfectamente con modelos PyTorch y entornos externos, siendo ideal para investigación en tareas cooperativas, competitivas y de motivos mixtos en robótica, control de tráfico, asignación de recursos y escenarios de IA en juegos.

CASA está diseñada como un marco de autonomía modular, plug-and-play, basado en el ecosistema Robot Operating System (ROS). Presenta una arquitectura descentralizada donde cada robot ejecuta planificadores locales y nodos de árboles de comportamiento, publicando en una pizarra compartida para actualizaciones del estado del mundo. La asignación de tareas se gestiona mediante algoritmos de subasta que asignan misiones en función de las capacidades y disponibilidad del robot. La capa de comunicación usa mensajes ROS estándar en redes multi-robot para sincronizar los agentes. Los desarrolladores pueden personalizar parámetros de misión, integrar controladores de sensores y ampliar las bibliotecas de comportamiento. CASA soporta simulación de escenarios, monitoreo en tiempo real y herramientas de registro. Su diseño extensible permite a los equipos de investigación experimentar con nuevos algoritmos de coordinación y desplegar sin problemas en diversas plataformas robóticas, desde vehículos terrestres no tripulados hasta drones aéreos.

CArtAgO (Common ARTifact Infrastructure for AGents Open environments) es un marco ligero y extensible para implementar infraestructuras de entornos en sistemas multi-agente. Introduce el concepto de artefactos: entidades de primera clase que representan recursos del entorno con operaciones definidas, propiedades observables y interfaces de eventos. Los desarrolladores definen tipos de artefactos en Java, los registran en clases de entorno, y exponen operaciones y eventos para su uso por parte de los agentes. Los agentes interactúan con los artefactos mediante acciones estándar (p.ej., createArtifact, observe), reciben notificaciones asíncronas de cambios de estado y se coordinan mediante recursos compartidos. CArtAgO se integra fácilmente con plataformas de agentes como Jason, JaCaMo, JADE y Spring Agent, facilitando el desarrollo de sistemas híbridos. El marco ofrece soporte incorporado para documentación de artefactos, carga dinámica y monitoreo en tiempo de ejecución, facilitando la creación rápida de prototipos de aplicaciones complejas basadas en agentes.

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 simulador de dos agentes F1Tenth es un marco de simulación especializado construido sobre ROS y Gazebo para emular dos vehículos autónomos a escala 1/10 compitiendo o cooperando en pistas personalizadas. Soporta física realista del modelado de neumáticos, emulación de sensores, detección de colisiones y registro de datos. Los usuarios pueden integrar sus propios algoritmos de planificación y control, ajustar parámetros de los agentes y ejecutar escenarios uno contra uno para evaluar el rendimiento, la seguridad y las estrategias de coordinación en condiciones controladas.

GridWorldEnvs ofrece una suite completa de entornos de mundos en cuadrícula para apoyar el diseño, prueba y evaluación de sistemas de aprendizaje por refuerzo y multi-agentes. Los usuarios pueden configurar fácilmente dimensiones de la cuadrícula, posiciones iniciales de los agentes, ubicaciones de objetivos, obstáculos, estructuras de recompensas y espacios de acción. La biblioteca incluye plantillas listas para usar como navegación clásica, evitación de obstáculos y tareas cooperativas, además de permitir la definición de escenarios personalizados mediante JSON o clases en Python. Integración fluida con la API de OpenAI Gym permite aplicar algoritmos RL estándar directamente. Además, soporta experimentos con un solo agente o múltiples agentes, herramientas de registro y visualización para seguir el rendimiento de los agentes.

AWS Bedrock Multi-Agent Collaboration es una función de servicio gestionado que permite orquestar múltiples agentes de IA alimentados por modelos fundacionales para trabajar juntos en tareas complejas. Configuras perfiles de agentes con roles específicos, defines esquemas de mensajería para la comunicación y estableces una memoria compartida para retener contexto. Durante la ejecución, los agentes pueden solicitar datos de fuentes descendentes, delegar subtareas y agregar los resultados de otros. Este enfoque colaborativo soporta bucles de razonamiento iterativos, mejora la precisión de las tareas y permite escalar dinámicamente los agentes según la carga de trabajo. Integrado con la consola AWS, CLI y SDK, el servicio ofrece paneles de monitoreo que visualizan las interacciones de los agentes y métricas de rendimiento, simplificando el desarrollo y la supervisión operativa de flujos de trabajo inteligentes multi-agente.

JASA proporciona un conjunto integral de bibliotecas Java para construir y ejecutar simulaciones de sistemas multiagentes. Soporta gestión del ciclo de vida de los agentes, programación de eventos, pasaje asíncrono de mensajes y modelado de entornos. Los desarrolladores pueden extender clases base para implementar comportamientos personalizados, integrar fuentes de datos externas y visualizar resultados de simulaciones. El diseño modular del marco y su documentación clara facilitan el prototipado rápido y la escalabilidad, siendo adecuado para investigación académica, enseñanza y desarrollos de prueba de concepto en modelado basado en agentes.

mini-AlphaStar desmitifica la arquitectura compleja de AlphaStar ofreciendo un marco accesible y de código abierto en PyTorch para el desarrollo de IA en StarCraft II. Incluye codificadores de características espaciales para entradas de pantalla y minimapa, procesamiento de características no espaciales, módulos de memoria LSTM, y redes separadas de política y valor para la selección de acciones y evaluación del estado. Utiliza aprendizaje por imitación para comenzar y aprendizaje por refuerzo con auto-juego para afinar, soporta wrappers de entorno compatibles con pysc2, registro con TensorBoard y hiperparámetros configurables. Investigadores y estudiantes pueden generar conjuntos de datos a partir de partidas humanas, entrenar modelos en escenarios personalizados, evaluar el rendimiento del agente y visualizar curvas de aprendizaje. La base modular del código facilita experimentar con variantes de redes, programas de entrenamiento y configuraciones multi-agente. Diseñado para educación y prototipado, no para despliegue en producción.

El proyecto utiliza el framework JADE (Java Agent DEvelopment) para construir un entorno multi-agente. Define agentes que se registran en AMS y DF de la plataforma, intercambian mensajes ACL y ejecutan comportamientos como cíclicos, de una sola vez y FSM. Los escenarios ejemplo incluyen negociaciones comprador-vendedor, protocolos de contrato en red y asignación de tareas. Un contenedor GUI de agentes ayuda a monitorear los estados de los agentes en tiempo de ejecución y los flujos de mensajes.

Multi-Agent Systems proporciona una caja de herramientas completa para crear, controlar y observar las interacciones entre agentes autónomos. Los desarrolladores pueden definir clases de agentes con lógica de decisión personalizada, configurar entornos complejos con recursos y reglas configurables, e implementar canales de comunicación para el intercambio de información. El marco soporta planificación sincrónica y asincrónica, comportamientos impulsados por eventos, e integra registros para métricas de rendimiento. Los usuarios pueden extender módulos principales o integrar modelos de IA externos para mejorar la inteligencia de los agentes. Las herramientas de visualización representan simulaciones en tiempo real o en post-proceso, ayudando a analizar comportamientos emergentes y optimizar parámetros del sistema. Desde investigación académica hasta prototipos de aplicaciones distribuidas, Multi-Agent Systems simplifica las simulaciones end-to-end de multiagentes.

El entorno de drones multiagente es un paquete de Python que ofrece una simulación multiagente configurable para enjambres de UAV, basado en OpenAI Gym y PyBullet. Los usuarios definen múltiples agentes drones con modelos cinemáticos y dinámicos para explorar tareas cooperativas como vuelo en formación, seguimiento de objetivos y evitación de obstáculos. El entorno soporta configuración modular de tareas, detección de colisiones realista y emulación de sensores, además de permitir funciones de recompensa y políticas descentralizadas personalizadas. Los desarrolladores pueden integrar sus propios algoritmos de aprendizaje por refuerzo, evaluar el rendimiento bajo diferentes escenarios y visualizar en tiempo real las trayectorias y métricas de los agentes. Su diseño de código abierto fomenta las contribuciones comunitarias, siendo ideal para investigación, enseñanza y prototipado avanzado de soluciones de control multiagente.