Multi-Agent-Seller proporciona un entorno modular para simular negociaciones comerciales con agentes AI. Incluye agentes preconstruidos de comprador y vendedor con estrategias de negociación personalizables, como precios dinámicos, concesiones basadas en el tiempo y decisiones basadas en utilidad. Los usuarios pueden definir protocolos, formatos de mensaje y condiciones de mercado personalizados. El framework gestiona sesiones, seguimiento de ofertas y registros de resultados con herramientas de visualización integradas para analizar interacciones de agentes. Se integra fácilmente con bibliotecas de aprendizaje automático para desarrollo de estrategias, permitiendo experimentar con aprendizaje por refuerzo o agentes basados en reglas. Su arquitectura extensible permite añadir nuevos tipos de agentes, reglas de negociación y plugins de visualización. Multi-Agent-Seller es ideal para probar algoritmos multiagente, estudiar comportamientos de negociación y enseñar conceptos en AI y comercio electrónico.

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.

La Traducción Automática con Agentes de IA es un marco de código abierto diseñado para investigación y desarrollo en traducción automática. Orquesta tres agentes principales: un generador, un evaluador y un perfeccionador, que colaboran para producir, evaluar y perfeccionar traducciones. Basado en PyTorch y modelos de transformadores, soporta preentrenamiento supervisado, optimización mediante aprendizaje por refuerzo y políticas de agentes configurables. Los usuarios pueden realizar benchmarks en conjuntos de datos estándar, monitorear puntuaciones BLEU y extender la línea de proceso con agentes o funciones de recompensa personalizadas para explorar la colaboración entre agentes en tareas de traducción.

MAPF_G2RL es un marco de investigación de código abierto que conecta la teoría de grafos y el aprendizaje por refuerzo profundo para abordar el problema de búsqueda de caminos multi-agente (MAPF). Codifica nodos y aristas en representaciones vectoriales, define funciones de recompensa espacial y sensibles a colisiones, y soporta diversos algoritmos RL como DQN, PPO y A2C. El marco automatiza la creación de escenarios generando grafos aleatorios o importando mapas del mundo real, y organiza ciclos de entrenamiento que optimizan políticas para múltiples agentes simultáneamente. Tras el aprendizaje, los agentes son evaluados en entornos simulados para medir la optimalidad de caminos, el tiempo de Makespan y tasas de éxito. Su diseño modular permite a investigadores extender componentes básicos, integrar nuevas técnicas MARL y hacer benchmarking contra solucionadores clásicos.

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.

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.