Este repositório fornece uma estrutura multi-agente personalizável que simula um centro de chamadas de táxi. Define agentes de IA distintos: CustomerAgent para solicitar viagens, DispatchAgent para selecionar motoristas com base na proximidade, DriverAgent para confirmar atribuições e atualizar status, e NotificationAgent para faturamento e mensagens. Os agentes interagem por meio de um ciclo de orquestração usando chamadas GPT da OpenAI e memória, permitindo diálogo assíncrono, tratamento de erros e registro. Desenvolvedores podem estender ou adaptar prompts de agentes, integrar sistemas em tempo real e prototipar fluxos de trabalho de atendimento ao cliente e despacho movidos por IA com facilidade.

A Estrutura de Simulação de Agentes LLM possibilita o design, execução e análise de ambientes simulados onde agentes autônomos interagem por meio de grandes modelos de linguagem. Os usuários podem registrar múltiplas instâncias de agentes, atribuir prompts e papéis personalizáveis, e especificar canais de comunicação como troca de mensagens ou estado compartilhado. A estrutura orquestra ciclos de simulação, coleta logs e calcula métricas como frequência de turnos, latência de resposta e taxas de sucesso. Suporta integração perfeita com OpenAI, Hugging Face e LLMs locais. Pesquisadores podem criar cenários complexos — negociação, alocação de recursos ou resolução colaborativa de problemas — para observar comportamentos emergentes. Uma arquitetura de plugins extensível permite adicionar novos comportamentos de agentes, restrições ambientais ou módulos de visualização, promovendo experimentos reproduzíveis.

AgenticIR (Agentic Information Retrieval) fornece uma estrutura modular onde agentes alimentados por LLM planejando e executando fluxos de trabalho de IR de forma autônoma. Permite definir funções de agentes — como gerador de consultas, recuperador de documentos e summarizador — executados em sequências personalizáveis. Os agentes podem buscar textos brutos, refinar consultas com base em resultados intermediários e mesclar trechos extraídos em resumos concisos. A estrutura suporta pipelines de múltiplas etapas incluindo busca web iterativa, ingestão de dados via API e análise de documentos locais. Desenvolvedores podem ajustar parâmetros de agentes, conectar diferentes LLMs e personalizar políticas de comportamento. O AgenticIR também oferece registro de logs, tratamento de erros e execução paralela de agentes para acelerar a coleta de informações em grande escala. Com uma configuração de código mínima, pesquisadores e engenheiros podem prototipar e implementar sistemas autônomos de recuperação.

AgentFarm fornece uma estrutura abrangente para coordenar diversos agentes de IA em um sistema unificado. Os usuários podem criar scripts de comportamentos especializados para agentes em Python, atribuir papéis (gerente, trabalhador, analisador) e estabelecer filas de tarefas para processamento paralelo. Ele integra-se perfeitamente com principais serviços de LLM (OpenAI, Azure OpenAI), possibilitando o roteamento dinâmico de prompts e seleção de modelos. O painel integrado acompanha o status dos agentes, registra interações e visualiza o desempenho do fluxo de trabalho. Com plug-ins modulares para APIs personalizadas, os desenvolvedores podem estender funcionalidades, automatizar o tratamento de erros e monitorar a utilização de recursos. Ideal para implantar pipelines de várias etapas, o AgentFarm aumenta a confiabilidade, escalabilidade e facilidade de manutenção na automação movida por IA.

AI-Creator fornece uma arquitetura flexível para criar agentes de IA que podem executar tarefas, interagir via linguagem natural e aproveitar ferramentas externas. Inclui módulos para gerenciamento de prompts, raciocínio em cadeia, memória de sessão e pipelines personalizáveis. Os desenvolvedores podem definir comportamentos de agentes usando configurações JSON simples ou código, integrar APIs e bancos de dados como ferramentas e implantar agentes como serviços web ou aplicativos CLI. A estrutura suporta extensibilidade e modularidade, tornando-se ideal para prototipagem de chatbots, assistentes virtuais e trabalhadores digitais especializados.

Flocking Multi-Agent fornece uma biblioteca modular para simular agentes autônomos que exibem inteligência de enxame. Codifica comportamentos centrais de direção: coesão, separação e alinhamento, além de evasão de obstáculos e perseguição a objetivos dinâmicos. Usando Python e Pygame para visualização, a estrutura permite ajustar parâmetros como o raio dos vizinhos, velocidade máxima e força de giro. Suporta extensibilidade através de funções personalizadas de comportamento e ganchos de integração para plataformas robóticas ou motores de jogo. Ideal para experimentos em IA, robótica, desenvolvimento de jogos e pesquisa acadêmica, demonstrando como regras locais simples levam a formações globais complexas.