Vanilla Agents es un marco liviano basado en PyTorch que proporciona implementaciones modulares y extensibles de agentes de aprendizaje por refuerzo fundamentales. Soporta algoritmos como DQN, Double DQN, PPO y A2C, con envoltorios de entorno en plug-in compatibles con OpenAI Gym. Los usuarios pueden configurar hiperparámetros, registrar métricas de entrenamiento, guardar puntos de control y visualizar curvas de aprendizaje. La base de código está organizada para la claridad, siendo ideal para prototipado de investigación, uso educativo y benchmarking de nuevas ideas en RL.

Agent Script proporciona una capa de scripting declarativa sobre modelos de lenguaje grandes, permitiéndote escribir scripts en YAML o JSON que definan flujos de trabajo del agente, llamadas a herramientas y uso de memoria. Puedes conectar OpenAI, LLM locales u otros proveedores, conectar APIs externas como herramientas y configurar backends de memoria a largo plazo. El marco gestiona la gestión del contexto, ejecución asíncrona y registros detallados de forma predeterminada. Con un mínimo código, puedes prototipar chatbots, flujos RPA, agentes de extracción de datos o bucles de control personalizados, facilitando la creación, prueba y despliegue de automatizaciones alimentadas por IA.

Minimalist Agent ofrece un marco básico para construir agentes AI en Python. Aprovecha las clases de agentes de LangChain y la API de OpenAI para realizar razonamiento en múltiples pasos, seleccionar herramientas de manera dinámica y ejecutar funciones. Puedes clonar el repositorio, configurar tu clave API de OpenAI, definir herramientas o endpoints personalizados, y ejecutar el script CLI para interactuar con el agente. El diseño se enfoca en claridad y extensibilidad, facilitando el estudio, modificación y ampliación de comportamientos principales del agente para experimentación o enseñanza.

Embedded BDI proporciona un motor completo para el ciclo de vida BDI: modela las creencias de un agente sobre su entorno, gestiona deseos o metas en evolución, selecciona intenciones de una biblioteca de planes y ejecuta comportamientos en tiempo real. El framework incluye módulos para almacenamiento de la base de creencias, definición de bibliotecas de planes, disparadores de eventos y control de concurrencia, diseñado específicamente para microcontroladores con memoria limitada. Con una API sencilla, los desarrolladores pueden anotar creencias, definir deseos e implementar planes en el código. Su planificador maneja la ejecución prioritaria de intenciones y se integra con interfaces de hardware para sensores, actuadores y comunicación en red, haciéndolo ideal para dispositivos IoT autónomos, robots móviles y controladores industriales.

En la práctica, LlamaSim te permite definir múltiples agentes impulsados por IA usando el modelo Llama, configurar escenarios de interacción y ejecutar simulaciones controladas. Puedes personalizar las personalidades de los agentes, la lógica de decisión y los canales de comunicación usando APIs Python sencillas. El marco gestiona automáticamente la construcción de prompts, el análisis de respuestas y el seguimiento del estado de la conversación. Registra todas las interacciones y ofrece métricas de evaluación integradas como coherencia de respuestas, tasa de finalización de tareas y latencia. Con su arquitectura de plugins, puedes integrar fuentes de datos externas, añadir funciones de evaluación personalizadas o extender las capacidades de los agentes. El núcleo ligero de LlamaSim lo hace adecuado para desarrollo local, pipelines CI o despliegues en la nube, facilitando investigación reproducible y validación de prototipos.

MASlite ofrece una API sencilla para crear clases de agentes, registrar comportamientos y manejar la mensajería basada en eventos entre agentes. Incluye un planificador para gestionar tareas de agentes, modelado de entornos para simular interacciones y un sistema de plugins para extender las capacidades básicas. Los desarrolladores pueden prototipar rápidamente escenarios multiagente en Python definiendo métodos del ciclo de vida del agente, conectando agentes vía canales y ejecutando simulaciones en modo sin interfaz gráfica o integrándose con herramientas de visualización.

SelfDrivingCarSimulator es un marco Python liviano basado en Pygame que ofrece un entorno de conducción 2D para entrenar agentes de vehículos autónomos usando aprendizaje por refuerzo. Soporta diseños de pistas personalizables, modelos de sensores configurables (como LiDAR y cámaras), visualización en tiempo real y registro de datos para análisis de rendimiento. Los desarrolladores pueden integrar sus algoritmos RL, ajustar parámetros físicos y monitorear métricas como velocidad, tasa de colisiones y funciones de recompensa para avanzar rápidamente en proyectos de investigación y educación en conducción autónoma.

DocumentAI-Backend es un marco backend liviano que automatiza la extracción de texto, campos de formulario y datos estructurados de documentos. Ofrece puntos finales API REST para subir PDFs o imágenes, procesarlos mediante Google Document AI con fallback OCR, y devolver resultados analizados en JSON. Construido con Python, FastAPI y Docker, permite una integración rápida en sistemas existentes, despliegues escalables y personalización mediante pipelines y middleware configurables.