LLM State Machine é uma estrutura Python de código aberto projetada para construir agentes de IA usando máquinas de estado explícitas. Os desenvolvedores definem estados como passos discretos — cada um invocando um grande modelo de linguagem ou lógica personalizada — e transições baseadas em saídas. Essa abordagem oferece clareza, manutenibilidade e manipulação robusta de erros para fluxos de trabalho multi-etapas alimentados por LLM, como processamento de documentos, bots conversacionais ou pipelines de automação.

Modus é uma estrutura focada no desenvolvedor que simplifica a criação de agentes de IA ao fornecer componentes principais para integração de LLM, armazenamento de memória e orquestração de ferramentas. Apoia bibliotecas de ferramentas baseadas em plugins, permitindo que os agentes realizem tarefas como recuperação de dados, análise e execução de ações. Com módulos de memória embutidos, os agentes podem manter o contexto de conversa e aprender através das interações. Sua arquitetura extensível acelera o desenvolvimento e implementação de IA em diversas aplicações.

MultiAgent-Systems-StarCraft2-PySC2-Raw oferece um kit completo para desenvolver, treinar e avaliar múltiplos agentes de IA em StarCraft II. Ele expõe controles de baixo nível para movimento de unidades, ataque e habilidades, enquanto permite uma configuração flexível de recompensas e cenários. Os usuários podem facilmente inserir arquiteturas de redes neurais personalizadas, definir estratégias de coordenação em equipe e registrar métricas. Construído sobre o PySC2, suporta treinamento paralelo, pontos de verificação e visualização, tornando-o ideal para avançar na pesquisa de aprendizado por reforço multiagente cooperativo e adversarial.

Trainable Agents foi projetado como um conjunto de ferramentas modular e extensível para desenvolvimento rápido e treinamento de agentes de IA alimentados pelos modelos de linguagem de última geração. A estrutura abstrai componentes principais como ambientes de interação, interfaces de políticas e ciclos de feedback, permitindo que os desenvolvedores definam tarefas, forneçam demonstrações e implementem funções de recompensa facilmente. Com suporte integrado para OpenAI GPT e Anthropic Claude, a biblioteca facilita reprodução de experiência, treinamento em lote e avaliação de desempenho. Trainable Agents também inclui utilitários para registro, rastreamento de métricas e exportação de políticas treinadas para implantação. Seja construindo chatbots conversacionais, automatizando fluxos de trabalho ou conduzindo pesquisas, essa estrutura agiliza todo o ciclo, do protótipo à produção, em um pacote unificado em Python.

Coffee-Shop-AI-Agents é uma estrutura de código aberto para construir e implantar agentes de IA especializados que automatizam funções-chave de cafeterias. Aproveitando LangChain e modelos de linguagem OpenAI, o projeto fornece agentes modulares, incluindo um agente barista que lida com pedidos complexos, oferece recomendações de personalização e gerencia a disponibilidade de ingredientes. O agente caixa processa pagamentos, emite recibos digitais e acompanha métricas de vendas. Um agente gerente gera previsões de inventário, sugere cronogramas de reposição e analisa dados de desempenho. Com prompts personalizáveis e configurações de pipeline, desenvolvedores podem adaptar rapidamente os agentes às políticas exclusivas da loja e itens do menu. O repositório inclui scripts de configuração, integrações de API e fluxos de trabalho de exemplo para simular interações reais com clientes e análises operacionais em um ambiente amigável para desenvolvedores.

O exemplo de agentes LLM fornece uma base de código prática para construir agentes de IA em Python. Demonstra registro de ferramentas personalizadas (pesquisa na web, resolução matemática via WolframAlpha, análise de CSV, REPL Python), criação de agentes baseados em chat e recuperação, e conexão a lojas de vetores para responder perguntas de documentos. O repositório ilustra padrões para manter memória conversacional, disparar chamadas de ferramentas dinamicamente e encadear vários prompts de LLM para resolver tarefas complexas. Usuários aprendem a integrar APIs de terceiros, estruturar fluxos de trabalho de agentes e ampliar a estrutura com novas capacidades—servindo como guia prático para experimentação e prototipagem por desenvolvedores.

pyafai é uma biblioteca de Python de código aberto que ajuda desenvolvedores a arquitetar, configurar e executar agentes de IA autônomos. Oferece módulos plugáveis para gerenciamento de memória para manter o contexto, integração de ferramentas para chamadas a APIs externas, observadores para monitoramento do ambiente, planejadores para tomada de decisão e um orquestrador para gerenciar ciclos dos agentes. Recursos de registro e monitoramento proporcionam visibilidade ao desempenho e comportamento do agente. pyafai suporta principais provedores de LLM, permite criar módulos personalizados e reduz a quantidade de código boilerplate para que equipes possam prototipar rapidamente assistentes virtuais, bots de pesquisa e fluxos de automação com controle total sobre cada componente.

X AI Agent fornece uma arquitetura modular para construir agentes inteligentes. Suporta integração perfeita com ferramentas e APIs externas, módulos de memória configuráveis e orquestração de múltiplos LLMs. Os desenvolvedores podem definir habilidades personalizadas, conectores de ferramentas e fluxos de trabalho no código, depois implantar agentes que buscam dados, geram conteúdo, automatizam processos e lidam com diálogos complexos de forma autônoma.

Os Agentes Econômicos Autônomos (AEA) da Fetch.ai são uma estrutura versátil que capacita desenvolvedores a projetar, implementar e orquestrar agentes de software autônomos capazes de interagir entre si, com ambientes externos e registros digitais. Utilizando uma arquitetura baseada em plugins, a AEA fornece módulos pré-construídos para protocolos de comunicação, APIs de livros-razão criptográficos, identidade descentralizada e habilidades de tomada de decisão personalizáveis. Os agentes podem descobrir e realizar transações em mercados descentralizados, executar comportamentos orientados a metas e se adaptar através de fluxos de dados em tempo real. A estrutura suporta ferramentas de simulação para testar e depurar cenários multi-agente, além de implantação em blockchains ao vivo ou redes peer-to-peer. Com interoperabilidade integrada e troca de mensagens entre agentes, a AEA simplifica o desenvolvimento de aplicações econômicas autônomas complexas, como comércio de energia, otimização da cadeia de suprimentos e coordenação inteligente de IoT.

HFO_DQN combina Python e TensorFlow para fornecer um pipeline completo para treinar agentes de futebol usando Deep Q-Networks. Os usuários podem clonar o repositório, instalar dependências incluindo o simulador HFO e bibliotecas Python, e configurar os parâmetros de treinamento em arquivos YAML. O framework implementa experiência de replay, atualizações de rede alvo, exploração epsilon-greedy e modelagem de recompensas específicas para o domínio offense de meio campo. Possui scripts para treinamento de agentes, registro de desempenho, partidas de avaliação e plotagem de resultados. A estrutura modular de código permite integrar arquiteturas de rede neural personalizadas, algoritmos RL alternativos e estratégias de coordenação multiagentes. As saídas incluem modelos treinados, métricas de desempenho e visualizações de comportamento, facilitando a pesquisa em aprendizado por reforço e sistemas multiagentes.