ASP-DALI fornece uma plataforma unificada para definir e executar agentes inteligentes baseados em lógica. Os desenvolvedores escrevem regras ASP para representar o conhecimento e os objetivos do agente, enquanto as construções DALI definem reações a eventos e execuções de ações. Em tempo de execução, um solucionador ASP calcula conjuntos de respostas que orientam as decisões do agente, permitindo que ele planeje, reaja a eventos recebidos e ajuste crenças dinamicamente. A estrutura suporta bases de conhecimento modulares, facilitando atualizações incrementais e uma separação clara entre regras declarativas e comportamentos reativos. ASP-DALI é implementado em Prolog com interfaces para solucionadores ASP populares, simplificando a integração e implantação em cenários de pesquisa e prototipagem.

O Coaty é um kit de ferramentas de código aberto escrito em TypeScript para desenvolver aplicações de IoT colaborativas e descentralizadas usando agentes de software. Oferece um tempo de execução de contêiner que hospeda instâncias de agentes, um serviço de descoberta e registro para busca dinâmica de recursos, e camadas de comunicação pub/sub para distribuição de eventos. Adaptadores de armazenamento incorporados sincronizam estados entre dispositivos, enquanto um modelo de dados flexível permite estender e compartilhar objetos de domínio. O Coaty suporta múltiplos protocolos de transporte como MQTT e WebSocket, possibilitando interoperabilidade robusta e em tempo real entre ambientes de borda, nevoeiro e nuvem sem pontos únicos de falha.

CodeInterpreter CodeBox foi projetado para simplificar a incorporação de experiências de codificação interativas em aplicações web. Oferece um editor de código baseado no navegador com destaque de sintaxe e execução Python em tempo real conectando-se ao plugin ChatGPT Code Interpreter. Desenvolvedores podem fazer upload e download de arquivos, executar scripts de análise de dados, gerar gráficos e exibir resultados inline. O CodeBox gerencia a comunicação com a API da OpenAI, administra os contextos de execução e fornece hooks para tratamento de eventos personalizados, permitindo desenvolvimento rápido de ferramentas com IA, plataformas educacionais e painéis de dados sem gerenciar um ambiente de execução de backend separado.

Inngest AgentKit fornece uma estrutura abrangente para desenvolver agentes de IA em um ambiente Node.js. Ele aproveita a arquitetura orientada a eventos da Inngest para acionar fluxos de trabalho de agentes com base em eventos externos como requisições HTTP, tarefas agendadas ou chamadas de webhook. O kit inclui utilitários de renderização de modelos para criar respostas dinâmicas, gerenciamento de estado embutido para manter o contexto durante as sessões e integração perfeita com APIs externas e modelos de linguagem. Os agentes podem transmitir respostas parciais em tempo real, gerenciar lógica complexa e orquestrar processos em múltiplas etapas com tratamento de erros e tentativas. Ao abstrair preocupações de infraestrutura e fluxo de trabalho, o AgentKit permite que os desenvolvedores foquem na criação de comportamentos inteligentes, reduzindo código boilerplate e acelerando a implantação de assistentes de conversação, pipelines de processamento de dados e bots de automação de tarefas.

AI Agent FletUI fornece uma estrutura de UI modular para criar aplicações de chat inteligentes suportadas por grandes modelos de linguagem. Inclui widgets de chat, painéis de integração de ferramentas, depósitos de memória e manipuladores de eventos que se conectam perfeitamente com qualquer provedor de LLM. Os usuários podem definir ferramentas personalizadas, gerenciar o contexto de sessão de forma persistente e renderizar formatos de mensagem enriquecidos imediatamente. A biblioteca abstrai a complexidade do layout de UI no Flet e simplifica a invocação de ferramentas, possibilitando prototipagem rápida e implantação de assistentes alimentados por LLM.

ManasAI é uma estrutura baseada em Python que permite criar agentes de IA autônomos com estado incorporado e componentes modulares. Oferece abstrações principais para raciocínio de agentes, memória de curto e longo prazo, integrações com ferramentas externas e APIs, manipulação de eventos orientada por mensagens e orquestração de múltiplos agentes. Os agentes podem ser configurados para gerenciar contexto, executar tarefas, lidar com tentativas de reutilização e coletar feedback. Sua arquitetura pluggable permite aos desenvolvedores adaptar backends de memória, ferramentas e orquestradores a fluxos de trabalho específicos, tornando-se ideal para prototipagem de chatbots, trabalhadores digitais e pipelines automatizados que requerem contexto persistente e interações complexas.

Esta estrutura de código aberto combina a biblioteca de modelagem de agentes AgentSimJs com o motor gráfico 3D do Three.js para fornecer simulações multiagentes interativas baseadas no navegador. Os usuários podem definir tipos de agentes, comportamentos e regras ambientais, configurar detecção de colisões e gerenciamento de eventos, e visualizar simulações em tempo real com opções de renderização personalizáveis. A biblioteca suporta controles dinâmicos, gerenciamento de cenas e ajuste de desempenho, tornando-a ideal para pesquisa, educação e prototipagem de cenários complexos baseados em agentes.

multiagent-golang fornece uma abordagem estruturada para construir sistemas multiagentes em Go. Introduz uma abstração de Agente onde cada agente pode ser equipado com vários sensores para perceber seu ambiente e atuadores para agir. Os agentes executam de forma concorrente usando goroutines e comunicam-se por canais de mensagem dedicados. O framework também inclui uma camada de simulação de ambiente para lidar com eventos, gerenciar o ciclo de vida do agente e rastrear mudanças de estado. Desenvolvedores podem facilmente estender ou personalizar comportamentos de agentes, configurar parâmetros de simulação e integrar módulos adicionais para registro ou análise. Isso agiliza a criação de simulações escaláveis e concorrentes para pesquisa e prototipagem.

OpenAgentSpec define um conjunto abrangente de esquemas JSON, interfaces API e diretrizes de protocolo para agentes de IA. Cobre registro de agentes, declaração de capacidades, formatos de mensagens, manipulação de eventos, gerenciamento de memória e mecanismos de extensão. Seguindo a especificação, organizações podem criar agentes que comunicam de forma confiável entre si e com ambientes hospedeiros, reduzindo o esforço de integração e promovendo um ecossistema reutilizável de componentes de IA interoperáveis.

O Exemplo de Cliente Personalizado AgentForce fornece uma base de código que utiliza JavaScript/TypeScript e APIs Salesforce para autenticar contra uma organização Salesforce, gerenciar sessões de chat do AgentForce, enviar e receber mensagens e personalizar componentes da interface do usuário. Ele demonstra assinatura de eventos, integração de lógica de negócios personalizada e estilização via Lightning Web Components. Os desenvolvedores podem usar este modelo para estruturar agentes conversacionais de IA, adaptar fluxos de mensagens, integrar sistemas externos e estender a estrutura para atender aos fluxos de trabalho e requisitos de branding únicos da organização.

O Protocolo UIM define um esquema JSON padronizado pelo qual agentes de IA podem descrever elementos, comportamentos e eventos de interface de usuário. Cobre componentes como botões, campos de entrada, formulários, tabelas, árvores e gráficos, e suporta ganchos de eventos para interações do usuário. Renderizadores frontend consomem mensagens UIM para construir e atualizar interfaces rapidamente sem necessidade de codificação manual de UI. Envelopes de mensagem versionados garantem compatibilidade retroativa. Ao aproveitar o Protocolo UIM, equipes podem iterar mais rapidamente em assistentes conversacionais e painéis de dados, manter padrões de UX consistentes entre canais e desacoplar a lógica de decisão de IA das camadas de apresentação.