RepoAgent es un marco de IA que convierte cualquier repositorio de código en una base de conocimientos interactiva. Indexa archivos fuente, funciones, clases y documentación en un almacén vectorial, permitiendo una recuperación rápida y respuestas contextuales. Los desarrolladores pueden hacer preguntas en lenguaje natural sobre funcionalidad, arquitectura o dependencias del código. Soporta resumen automático de código, generación de documentación y creación de casos de prueba mediante integración con modelos de lenguaje grandes. También analiza issues, solicitudes de extracción (pull requests) e historial de commits para proporcionar insights sobre la calidad del código y errores potenciales. Su diseño modular permite personalizar los flujos de recuperación, selección de modelos y formato de salida. Al integrarse directamente en pipelines CI/CD o IDEs, RepoAgent agiliza el desarrollo, reduce tiempos de incorporación y aumenta la productividad del equipo.

SmartRAG es una biblioteca modular en Python diseñada para flujos de trabajo de generación aumentada por recuperación (RAG) con grandes modelos de lenguaje. Combina ingesta de documentos, indexación vectorial y APIs de LLM de última generación para ofrecer respuestas precisas y ricas en contexto. Los usuarios pueden importar archivos PDF, archivos de texto o páginas web, indexarlos usando almacenes vectoriales populares como FAISS o Chroma, y definir plantillas de indicaciones personalizadas. SmartRAG orquesta la recuperación, la composición de indicaciones y la inferencia de LLM, devolviendo respuestas coherentes fundamentadas en documentos fuente. Al abstraer la complejidad de los pipelines RAG, acelera el desarrollo de sistemas de preguntas y respuestas para bases de conocimiento, chatbots y asistentes de investigación. Los desarrolladores pueden extender conectores, cambiar proveedores de LLM y ajustar estrategias de recuperación para adaptarse a dominios específicos de conocimiento.

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.

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.

El Agno AI Agent está diseñado para ayudar a los desarrolladores a construir rápidamente agentes autónomos potenciados por modelos de lenguaje grandes. Ofrece un registro de herramientas modular, gestión de memoria, bucles de planificación y ejecución, y una integración sin problemas con APIs externas (como búsqueda en la web, sistemas de archivos y bases de datos). Los usuarios pueden definir interfaces de herramientas personalizadas, configurar personalidades de agentes y orquestar flujos de trabajo complejos y de múltiples pasos. Los agentes pueden planificar tareas, llamar a herramientas de forma dinámica y aprender de interacciones previas para mejorar su rendimiento con el tiempo.

ai-agents-trial es un proyecto de código abierto en Python que demuestra cómo construir agentes de IA autónomos usando LLMs. Ofrece abstracciones modulares para la planificación del agente, la invocación de herramientas (por ejemplo, búsqueda web, calculadoras) y la gestión de memoria. Los desarrolladores pueden definir herramientas personalizadas, encadenar acciones en múltiples pasos y mantener el contexto entre sesiones. La base de código usa APIs de OpenAI junto con utilidades auxiliares para orquestar flujos de trabajo, siendo ideal para prototipado rápido de asistentes basados en chat, bots de investigación o agentes de automatización específicos de dominio. Los puntos de integración permiten ampliar la funcionalidad con nuevos conectores y fuentes de datos sin alterar la lógica principal.

CrewAI es un marco modular en Python diseñado para construir Agentes AI totalmente autónomos. Proporciona componentes centrales como un Orquestador de Agentes para planificación y toma de decisiones, una capa de integración de herramientas para conectar APIs externas o acciones personalizadas, y un Módulo de Memoria para almacenar y recordar contextos a lo largo de las interacciones. Los desarrolladores definen tareas, registran herramientas, configuran backends de memoria y luego lanzan Agentes que pueden planificar flujos de trabajo de múltiples pasos, ejecutar acciones y adaptarse en función de los resultados, haciendo de CrewAI una opción ideal para crear asistentes inteligentes, flujos de trabajo automatizados y prototipos de investigación.

AI-Creator proporciona una arquitectura flexible para crear agentes de IA que puedan realizar tareas, interactuar mediante lenguaje natural y aprovechar herramientas externas. Incluye módulos para gestión de prompts, razonamiento en cadena, memoria de sesiones y pipelines personalizables. Los desarrolladores pueden definir comportamientos de agentes mediante configuraciones JSON sencillas o código, integrar APIs y bases de datos como herramientas y desplegar agentes como servicios web o aplicaciones CLI. El marco admite extensibilidad y modularidad, lo que lo hace ideal para prototipar chatbots, asistentes virtuales y trabajadores digitales especializados.

Los agentes de IA para Piedra-Papel-Tijeras son un proyecto open-source en Python que demuestra cómo construir, entrenar y evaluar diferentes estrategias de IA—juego aleatorio, reconocimiento de patrones basado en reglas y aprendizaje por refuerzo (Q-learning)—en el juego clásico Piedra-Papel-Tijeras. Proporciona clases de agentes modulares, un motor de juego configurable, registro de rendimiento y utilidades de visualización. Los usuarios pueden intercambiar fácilmente agentes, ajustar parámetros de aprendizaje y explorar el comportamiento de IA en escenarios competitivos.

CrewAI-Learning es una biblioteca de código abierto diseñada para agilizar proyectos de aprendizaje por refuerzo multiagente. Ofrece estructura de entornos, definiciones modulares de agentes, funciones de recompensa personalizables y un conjunto de algoritmos incorporados como DQN, PPO y A3C adaptados para tareas colaborativas. Los usuarios pueden definir escenarios, gestionar ciclos de entrenamiento, registrar métricas y visualizar resultados. El marco admite configuración dinámica de equipos de agentes y estrategias de compartición de recompensas, facilitando el prototipado, la evaluación y la optimización de soluciones de IA cooperativa en diversas áreas.

JaCaMo ofrece un entorno unificado para diseñar y ejecutar sistemas multiagente (MAS) integrando tres componentes principales: el lenguaje de programación de agentes Jason para agentes basados en BDI, CArtAgO para modelado del entorno con artefactos, y Moise para definir estructuras organizacionales y roles. Los desarrolladores pueden escribir planes de agentes, definir artefactos con operaciones y organizar grupos de agentes bajo marcos normativos. La plataforma incluye herramientas para simulación, depuración y visualización de interacciones MAS. Con soporte para ejecución distribuida, repositorios de artefactos y comunicación flexible, JaCaMo permite prototipado rápido y investigaciones en áreas como inteligencia en enjambre, robótica colaborativa y toma de decisiones distribuidas. Su diseño modular asegura escalabilidad y extensibilidad en proyectos académicos e industriales.

LangChain es un marco modular que ayuda a los desarrolladores a crear aplicaciones avanzadas de IA conectando grandes modelos de lenguaje con fuentes de datos externas y herramientas. Proporciona abstracciones de cadenas para llamadas secuenciales a LLM, orquestación de agentes para workflows de decisión, módulos de memoria para retención de contexto y integraciones con cargadores de documentos, almacenes vectoriales y herramientas API. Con soporte para múltiples proveedores y SDKs en Python y JavaScript, LangChain acelera el prototipado y despliegue de chatbots, sistemas de QA y asistentes personalizados.

El motor de integración LLM a MCP es un marco de código abierto diseñado para integrar modelos de lenguaje grandes (LLMs) con varias plataformas de comunicación de mensajería (MCPs). Proporciona adaptadores para APIs de LLM como OpenAI y Anthropic, y conectores para plataformas de chat como Slack, Discord y Telegram. El motor gestiona el estado de la sesión, enriquece el contexto y enruta mensajes bidireccionalmente. Su arquitectura basada en plugins permite a los desarrolladores ampliar el soporte a nuevos proveedores y personalizar la lógica empresarial, acelerando la implementación de agentes de IA en entornos de producción.

LLMWare funciona como un kit de herramientas completo para construir agentes IA alimentados por grandes modelos de lenguaje. Permite definir cadenas reutilizables, integrar herramientas externas mediante interfaces sencillas, gestionar estados de memoria contextual y coordinar razonamientos en múltiples pasos entre modelos lingüísticos y servicios downstream. Con LLMWare, los desarrolladores pueden conectar diferentes backends de modelos, configurar la lógica de decisión del agente y agregar kits de herramientas personalizados para tareas como navegación web, consultas a bases de datos o llamadas a APIs. Su diseño modular facilita prototipar rápidamente agentes autónomos, chatbots o asistentes de investigación, ofreciendo registro de logs, manejo de errores y adaptadores de despliegue para entornos de desarrollo y producción.

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.

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.

JADE es un marco de trabajo de agentes basado en Java que permite a los desarrolladores crear, desplegar y gestionar múltiples agentes de software autónomos en entornos distribuidos. Cada agente se ejecuta dentro de un contenedor, se comunica mediante un Lenguaje de Comunicación de Agentes (ACL) compatible con FIPA y puede registrar servicios en un Facilitador de Directorios para su descubrimiento. Los agentes ejecutan comportamientos predefinidos o tareas dinámicas y pueden migrar entre contenedores usando Invocación Remota de Métodos (RMI). JADE soporta definiciones de ontologías para contenido de mensajes estructurados y proporciona herramientas gráficas para monitorear estados de agentes y el intercambio de mensajes. Su arquitectura modular permite la integración con servicios externos, bases de datos y APIs REST, haciéndolo adecuado para desarrollar simulaciones, orquestaciones IoT, sistemas de negociación y más. Su extensibilidad y cumplimiento con estándares de la industria facilitan la implementación de sistemas multiagente complejos.

Multiagent-Prediction-Reward es un marco orientado a la investigación que integra modelos de predicción y mecanismos de distribución de recompensas para el aprendizaje por refuerzo multi-agente. Incluye envoltorios para entornos, módulos neuronales para prever las acciones de compañeros y lógica de enrutamiento de recompensas personalizable que se adapta al rendimiento de los agentes. El repositorio ofrece archivos de configuración, scripts de ejemplo y paneles de evaluación para ejecutar experimentos en tareas cooperativas. Los usuarios pueden ampliar el código para probar funciones de recompensa novedosas, integrar nuevos entornos y evaluar en comparación con algoritmos RL multi-agente establecidos.

Multiagent_system ofrece un kit completo para la construcción y gestión de entornos multiagente. Los usuarios pueden definir escenarios de simulación personalizados, especificar comportamientos de agentes y aprovechar algoritmos pre-implementados como DQN, PPO y MADDPG. El marco soporta entrenamientos sincrónicos y asincrónicos, permitiendo que los agentes interactúen en paralelo o en configuraciones por turnos. Los módulos de comunicación integrados facilitan el paso de mensajes entre agentes para estrategias cooperativas. La configuración de experimentos se agiliza mediante archivos YAML y los resultados se registran automáticamente en CSV o TensorBoard. Los scripts de visualización ayudan a interpretar trayectorias de agentes, evolución de recompensas y patrones de comunicación. Diseñado para flujos de trabajo de investigación y producción, Multiagent_system escala de manera transparente desde prototipos en una sola máquina hasta entrenamiento distribuido en clústeres GPU.

Prediction Market Agent Tooling proporciona una arquitectura modular para crear agentes de trading autónomos en mercados de predicción. Ofrece conectores para plataformas principales como Augur y Polymarket, una biblioteca de plantillas de estrategia reutilizables, flujos de datos en tiempo real, un motor de backtesting robusto y análisis de rendimiento integrados. Los usuarios pueden prototipar algoritmos rápidamente, simular condiciones de mercado históricas y desplegar agentes en vivo con herramientas de monitoreo, haciendo que sea ideal para investigadores y traders cuantitativos.