Crayon permite a los desarrolladores construir agentes IA autónomos en JavaScript/Node.js que pueden llamar a APIs externas, mantener historial de conversación, planificar tareas en múltiples pasos y manejar procesos asíncronos. En su núcleo, Crayon implementa un ciclo de planificación-ejecución que descompone objetivos de alto nivel en acciones discretas, se integra con kits de herramientas personalizadas y utiliza módulos de memoria para almacenar y recordar información a través de sesiones. El framework soporta múltiples backend de memoria, integración de herramientas mediante plugins y un registro completo para depuración. Los desarrolladores pueden configurar el comportamiento del agente mediante prompts y pipelines basados en YAML, permitiendo flujos de trabajo complejos como scraping de datos, generación de informes y chatbots interactivos. La arquitectura de Crayon fomenta la extensibilidad, permitiendo a los equipos integrar herramientas específicas de dominio y adaptar los agentes a requerimientos empresariales únicos.

CryptoTrader Agents proporciona un conjunto completo de herramientas para diseñar, entrenar y desplegar estrategias de negociación con IA en mercados de criptomonedas. Incluye un entorno modular para ingestión de datos, ingeniería de características y funciones de recompensa personalizadas. Los usuarios pueden aprovechar algoritmos preconfigurados de aprendizaje por refuerzo o integrar sus propios modelos. La plataforma ofrece pruebas retrospectivas simuladas con datos históricos de precios, controles de gestión de riesgos y seguimiento de métricas detalladas. Cuando la estrategia esté lista, los agentes se pueden conectar a APIs de exchange en vivo para ejecución automática. Construido en Python, el marco es completamente extensible, permitiendo a los usuarios prototipar nuevas tácticas, ejecutar barridos de parámetros y monitorear el rendimiento en tiempo real.

e2e-chainlit-chatbot es un proyecto de ejemplo que demuestra el ciclo completo de desarrollo de un agente de IA conversacional usando Chainlit. El repositorio incluye código de extremo a extremo para lanzar un servidor web local que hospeda una interfaz de chat interactiva, integrándose con modelos de lenguaje grandes para respuestas, y gestionando el contexto de la conversación entre mensajes. Incluye plantillas de prompts personalizables, flujos multi-agente, y streaming en tiempo real de las respuestas. Los desarrolladores pueden configurar claves API, ajustar parámetros del modelo, y extender el sistema con lógica personalizada o integraciones. Con dependencias mínimas y documentación clara, este proyecto acelera la experimentación con chatbots dirigidos por IA y proporciona una base sólida para asistentes conversacionales de nivel productivo. También incluye ejemplos para personalizar componentes front-end, registro y manejo de errores. Diseñado para una integración fluida con plataformas en la nube, soporta tanto prototipos como casos de uso en producción.

LangChain Google Gemini Agent es una biblioteca en Python diseñada para simplificar la creación de agentes IA autónomos alimentados por los modelos de lenguaje Gemini de Google. Combina el enfoque modular de LangChain—permitiendo cadenas de instrucciones, gestión de memoria e integración de herramientas—con la avanzada comprensión del lenguaje natural de Gemini. Los usuarios pueden definir herramientas personalizadas para llamadas API, consultas a bases de datos, web scraping y resúmenes de documentos; orquestarlas mediante un agente que interpreta las entradas del usuario, selecciona las acciones de herramientas apropiadas y compone respuestas coherentes. El resultado es un agente flexible capaz de razonamiento en múltiples pasos, acceso a datos en tiempo real y diálogos contextuales, ideal para construir chatbots, asistentes de investigación y flujos de trabajo automatizados, además de integrarse con almacenes vectoriales y servicios en la nube para escalabilidad.

LLM-Agent es un marco ligero y extensible para construir agentes de IA impulsados por grandes modelos de lenguaje. Proporciona abstracciones para memoria de conversación, plantillas de prompts dinámicas e integración fluida de herramientas o APIs personalizadas. Los desarrolladores pueden orquestar procesos de razonamiento en múltiples pasos, mantener estado a través de interacciones y automatizar tareas complejas como recuperación de datos, generación de informes y soporte de decisiones. Al combinar la gestión de memoria con el uso de herramientas y planificación, LLM-Agent facilita el desarrollo de agentes inteligentes y orientados a tareas en Python.

MARL-DPP es un marco de código abierto que permite el aprendizaje por refuerzo multiagente (MARL) con diversidad impuesta mediante Procesos Determinantales (DPP). Los enfoques MARL tradicionales suelen sufrir de convergencia de políticas hacia comportamientos similares; MARL-DPP aborda esto incorporando medidas basadas en DPP para fomentar que los agentes mantengan distribuciones de acciones diversas. El kit de herramientas proporciona código modular para integrar DPP en objetivos de entrenamiento, muestreo de políticas y gestión de exploración. Incluye integración lista para usar con entornos estándar como OpenAI Gym y el Entorno de Partículas Multi-Agente (MPE), además de utilidades para gestión de hiperparámetros, registro y visualización de métricas de diversidad. Los investigadores pueden evaluar el impacto de las restricciones de diversidad en tareas cooperativas, asignación de recursos y juegos competitivos. Su diseño extensible soporta entornos personalizados y algoritmos avanzados, facilitando la exploración de variantes nuevas de MARL-DPP.

Meta-Agent-with-More-Agents es un marco extensible de código abierto que implementa una arquitectura de agente meta permitiendo que varios subagentes especializados colaboren en tareas complejas. Utiliza LangChain para la orquestación de agentes y APIs de OpenAI para procesamiento del lenguaje natural. Los desarrolladores pueden definir agentes personalizados para tareas como extracción de datos, análisis de sentimientos, toma de decisiones o generación de contenido. El agente meta coordina la descomposición de tareas, envía objetivos a los agentes adecuados, recopila sus resultados y refina iterativamente los resultados mediante bucles de retroalimentación. Su diseño modular soporta procesamiento paralelo, registro y manejo de errores. Ideal para automatizar flujos de trabajo de múltiples pasos, pipelines de investigación y sistemas de soporte a decisiones dinámicas, simplificando la construcción de sistemas IA distribuidos robustos mediante la abstracción de la comunicación entre agentes y la gestión de ciclo de vida.

MIU CS589 API de Agentes de IA ofrece una interfaz estandarizada para construir agentes de IA personalizados. Los desarrolladores pueden definir comportamientos, integrar herramientas o servicios externos y gestionar respuestas en streaming o por lotes mediante endpoints HTTP. El framework maneja autenticación, enrutamiento de solicitudes, manejo de errores y registro de logs. Es totalmente extensible: los usuarios pueden registrar nuevas herramientas, ajustar la memoria del agente y configurar los parámetros LLM. Adecuado para experimentos, demos y prototipos en producción, simplifica la orquestación multi-herramienta y acelera el desarrollo de agentes IA sin quedar atrapado en una plataforma monolítica.

La Arquitectura Modular LLM está diseñada para simplificar la creación de aplicaciones personalizadas impulsadas por LLM mediante un diseño componible y modular. Proporciona componentes principales como módulos de memoria para retención del estado de la sesión, interfaces de herramientas para llamadas a API externas, gestores de indicaciones para generación de indicaciones basadas en plantillas o dinámicas, y motores de orquestación para controlar el flujo de trabajo del agente. Puede configurar tuberías que enlacen estos módulos, permitiendo comportamientos complejos como razonamiento en múltiples pasos, respuestas dependientes del contexto y recuperación de datos integrada. El marco soporta múltiples backends de LLM, permitiéndole cambiar o mezclar modelos, y ofrece puntos de extensión para agregar nuevos módulos o lógica personalizada. Esta arquitectura acelera el desarrollo fomentando la reutilización de componentes, manteniendo la transparencia y el control sobre el comportamiento del agente.

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.

Notte es un marco de Python centrado en el desarrollador, diseñado para orquestar agentes de IA impulsados por grandes modelos de lenguaje. Ofrece módulos de memoria integrados para almacenar y recuperar el contexto de la conversación, integración flexible de herramientas para APIs externas o funciones personalizadas, y un motor de planificación que secuencia las tareas. Con Notte, puedes prototipar rápidamente asistentes conversacionales, bots de análisis de datos o flujos de trabajo automatizados, beneficiándote además de la extensibilidad de código abierto y soporte multiplataforma.

rag-services es una plataforma extensible que descompone las pipelines RAG en microservicios discretos. Ofrece un servicio de almacenamiento de documentos, un servicio de indexación vectorial, un servicio de embedding, múltiples servicios de inferencia LLM y un orquestador para coordinar los flujos de trabajo. Cada componente expone APIs REST, permitiéndote mezclar y combinar bases de datos y proveedores de modelos. Con soporte para Docker y Docker Compose, puedes desplegar localmente o en clústeres Kubernetes. El framework habilita soluciones RAG escalables y tolerantes a fallos para chatbots, bases de conocimientos y Q&A automáticos.

SonAgent es un marco extensible de código abierto diseñado para construir, organizar y ejecutar agentes AI en Python. Proporciona módulos principales para almacenamiento de memoria, envoltorios de herramientas, lógica de planificación y manejo de eventos asíncronos. Los desarrolladores pueden registrar herramientas personalizadas, integrar modelos lingüísticos, administrar memoria a largo plazo de los agentes y orquestar múltiples agentes para colaborar en tareas complejas. El diseño modular de SonAgent acelera el desarrollo de bots conversacionales, automatización de flujos de trabajo y sistemas de agentes distribuidos.

Huginn es un marco de automatización versátil y de código abierto que permite a los usuarios crear agentes para monitorear, recopilar y actuar sobre datos provenientes de diversas fuentes como sitios web, APIs, redes sociales y correos electrónicos. Cada agente puede configurarse para activarse ante eventos, transformar datos y enviarlos a otros agentes o servicios externos. Con programación integrada, registros y una amplia biblioteca de tipos de agentes—como RSSAgent, EmailAgent, WebhookAgent y DataOutputAgent—Huginn soporta flujos de trabajo complejos y lógica condicional. Funciona en Linux, macOS, Windows o Docker, y puede extenderse con código Ruby personalizado o contenedores Docker para tareas especializadas e integraciones.

Llama-Agent es un conjunto de herramientas enfocado en desarrolladores para crear agentes de IA inteligentes potenciados por grandes modelos de lenguaje. Ofrece integración de herramientas para llamar a APIs o funciones externas, gestión de memoria para almacenar y recuperar contexto, y planificación en cadena de pensamiento para desglosar tareas complejas. Los agentes pueden ejecutar acciones, interactuar con entornos personalizados y adaptarse mediante un sistema de plugins. Como un proyecto de código abierto, soporta la extensión sencilla de componentes centrales, permitiendo experimentación rápida y despliegue de flujos de trabajo automatizados en varias áreas.

Query-Bot integra la ingestión de documentos, segmentación de texto y embeddings vectoriales para construir un índice buscable a partir de PDFs, archivos de texto y documentos Word. Usando LangChain y GPT-3.5 Turbo de OpenAI, procesa las consultas del usuario recuperando pasajes relevantes y generando respuestas concisas. La interfaz basada en Streamlit permite a los usuarios cargar archivos, seguir el historial de conversaciones y ajustar configuraciones. Puede desplegarse localmente o en entornos en la nube, ofreciendo un marco extensible para agentes personalizados y bases de conocimientos.

FastAPI Agents ofrece una capa de servicio robusta para el desarrollo de agentes basados en LLM utilizando el framework web FastAPI. Permite definir comportamientos de agentes con cadenas LangChain, herramientas y sistemas de memoria. Cada agente puede exponerse como un endpoint REST estándar, soportando solicitudes asíncronas, respuestas en streaming y cargas útiles personalizadas. La integración con almacenes vectoriales permite generación aumentada por recuperación para aplicaciones basadas en conocimiento. El framework incluye registros integrados, ganchos de monitoreo y soporte para Docker para despliegues en contenedor. Es fácil extender agentes con nuevas herramientas, middleware y autenticación. FastAPI Agents acelera la preparación para producción de soluciones IA, asegurando seguridad, escalabilidad y mantenibilidad en aplicaciones empresariales e investigativas.

AI-Agents proporciona un conjunto de herramientas modular para crear agentes de IA autónomos capaces de planificación, ejecución y auto-monitoreo de tareas. Ofrece soporte integrado para la integración de herramientas, como búsqueda web, procesamiento de datos y APIs personalizadas, y cuenta con un componente de memoria para retener y recordar el contexto en las interacciones. Con un sistema de plugins flexible, los agentes pueden cargar dinámicamente nuevas capacidades, mientras que la ejecución asíncrona asegura flujos de trabajo eficientes de múltiples pasos. El framework aprovecha LangChain para razonamiento avanzado de cadena de pensamientos y simplifica la implementación en entornos Python en macOS, Windows o Linux.

Advanced_RAG ofrece un pipeline modular para tareas de generación aumentada por recuperación, incluyendo cargadores de documentos, constructores de índices vectoriales y gestores de cadenas. Los usuarios pueden configurar diferentes bases de datos vectoriales (FAISS, Pinecone), personalizar las estrategias del recuperador (búsqueda por similitud, búsqueda híbrida), e integrar cualquier LLM para generar respuestas contextuales. También soporta métricas de evaluación y registro para ajuste de rendimiento, y está diseñado para escalabilidad y extensibilidad en entornos de producción.

Agent Adapters está diseñado para proporcionar a los desarrolladores una interfaz coherente para conectar agentes de IA con servicios y frameworks externos. A través de su arquitectura modular, ofrece adaptadores preconstruidos para APIs HTTP, plataformas de mensajería como Slack y Teams, y endpoints de herramientas personalizadas. Cada adaptador maneja el análisis de solicitudes, el mapeo de respuestas, la gestión de errores y ganchos opcionales para registro o monitoreo. Los desarrolladores también pueden registrar adaptadores personalizados implementando una interfaz definida y configurando los parámetros del adaptador en las configuraciones de su agente. Este enfoque optimizado reduce el código repetitivo, asegura una ejecución uniforme de los flujos de trabajo y acelera el despliegue de agentes en múltiples entornos sin reescribir la lógica de integración.