Vocode é uma biblioteca de código aberto projetada para simplificar a criação de aplicativos baseados em voz usando IA. Ela oferece ferramentas e serviços para automatizar chamadas telefônicas, tanto recebidas quanto feitas, por meio de APIs. Os desenvolvedores podem construir bots de voz sofisticados integrando recursos de reconhecimento de fala, IA/NLU e síntese de fala. A plataforma é otimizada para flexibilidade, permitindo fácil troca entre vários provedores STT, TTS e LLM. O Vocode foi projetado especialmente para facilitar a integração de centros de atendimento baseados em IA em sistemas existentes.

O NaturalAgents é uma biblioteca de Python de código aberto projetada para facilitar a criação e implantação de agentes alimentados por LLMs. Fornece módulos para gerenciamento de memória, rastreamento de contexto e integração de ferramentas, permitindo que os agentes armazenem e recuperem informações durante sessões longas. Um planejador hierárquico orquestra raciocínios e ações de várias etapas, enquanto um sistema de extensão suporta plugins personalizados e chamadas a APIs externas. Logs integrados e análises permitem que os desenvolvedores monitorem o desempenho do agente e depurem problemas de fluxo de trabalho. O NaturalAgents também suporta execução síncrona e assíncrona, tornando-o flexível para usos interativos e pipelines automatizadas.

Agentic Workflow é uma estrutura declarativa que permite a desenvolvedores definir fluxos de trabalho de IA complexos encadeando múltiplos agentes baseados em LLM, cada um com funções, prompts e lógica de execução personalizáveis. Oferece suporte interno para orquestração de tarefas, gerenciamento de estado, tratamento de erros e integrações de plugins, permitindo uma interação fluida entre agentes e ferramentas externas. A biblioteca utiliza Python e configurações em YAML para abstração da definição de agentes, suporta fluxos de execução assíncronos e oferece extensibilidade por meio de conectores e plugins personalizados. Como projeto de código aberto, inclui exemplos detalhados, modelos e documentação para ajudar equipes a acelerar o desenvolvimento e manter ecossistemas complexos de agentes de IA.

CrewAI-Learning é uma biblioteca de código aberto projetada para agilizar projetos de aprendizagem por reforço multiagente. Oferece estruturas de ambiente, definições modulares de agentes, funções de recompensa personalizáveis e um conjunto de algoritmos embutidos como DQN, PPO e A3C adaptados para tarefas colaborativas. Usuários podem definir cenários, gerenciar ciclos de treino, registrar métricas e visualizar resultados. O framework suporta configuração dinâmica de equipes de agentes e estratégias de compartilhamento de recompensas, facilitando o prototipagem, avaliação e otimização de soluções de IA cooperativa em várias áreas.

LangUI é uma biblioteca de Tailwind CSS de código aberto que fornece mais de 60 componentes prontos para uso, responsivos e personalizáveis, projetados especificamente para projetos de AI e GPT. Se você está criando um novo aplicativo ou aprimorando um existente, os diversos componentes do LangUI, como contêineres de prompt, painéis de histórico e entradas de mensagem, permitem que você se concentre nas funções principais do seu projeto, enquanto deixamos o design da UI para esses elementos profissionalmente elaborados.

Mava é uma biblioteca de código aberto baseada em JAX para desenvolver, treinar e avaliar sistemas de aprendizado por reforço multi-agente. Oferece implementações pré-construídas de algoritmos cooperativos e competitivos, como MAPPO e MADDPG, juntamente com ciclos de treinamento configuráveis que suportam fluxos de trabalho de nó único e distribuídos. Pesquisadores podem importar ambientes do PettingZoo ou definir ambientes personalizados, usando os componentes modulares do Mava para otimização de políticas, gerenciamento de buffer de replay e registro de métricas. A arquitetura flexível da estrutura permite integração perfeita de novos algoritmos, espaços de observação personalizados e estruturas de recompensa. Aproveitando as capacidades de auto-vectorização e aceleração de hardware do JAX, o Mava garante experimentos eficientes em larga escala e benchmarking reprodutível em diversos cenários multi-agente.