CybMASDE permite que pesquisadores e desenvolvedores construam, configurem e executem simulações de múltiplos agentes com aprendizado por reforço profundo. Os usuários podem criar cenários personalizados, definir papéis de agentes e funções de recompensa, além de integrar algoritmos de RL padrão ou personalizados. A estrutura inclui servidores de ambientes, interfaces de agentes em rede, coletores de dados e utilitários de renderização. Suporta treinamento paralelo, monitoramento em tempo real e salvamento de modelos. A arquitetura modular do CybMASDE possibilita a integração fluida de novos agentes, espaços de observação e estratégias de treinamento, acelerando experimentos em controle cooperativo, comportamento de enxame, alocação de recursos e outros casos de uso multi-agente.

Eliza é uma estrutura de conversação leve, de código aberto, que simula um psicoterapeuta por meio de correspondência de padrões e templates roteirizados. Os desenvolvedores podem definir scripts personalizados, padrões e variáveis de memória para ajustar respostas e fluxos de conversa. Opera em qualquer navegador moderno ou ambiente webview, suporta múltiplas sessões e registra interações para análise. Sua arquitetura extensível permite a integração em páginas web, aplicativos móveis ou embalagens desktop, tornando-se uma ferramenta versátil para educação, pesquisa, desenvolvimento de protótipos e instalações interativas.

SwarmZero oferece um ambiente escalável de código aberto para definir, gerenciar e executar enxames de agentes de IA. Os desenvolvedores podem declarar funções de agentes, personalizar prompts e encadear fluxos de trabalho usando uma API unificada do orquestrador. O framework integra-se com principais provedores de LLM, suporta extensões por plugins e registra dados de sessões para depuração e análise de desempenho. Quer coordenar bots de pesquisa, criadores de conteúdo ou analistas de dados, SwarmZero agiliza a colaboração multiagente e garante resultados transparentes e reprodutíveis.

RAGENT foi projetado para criar agentes autônomos de IA que podem interagir com diversas ferramentas e fontes de dados. Em seu núcleo, utiliza geração aumentada por recuperação para buscar contextos relevantes de arquivos locais ou fontes externas e depois compõe respostas via modelos da OpenAI. Desenvolvedores podem conectar ferramentas para busca na web, automação de navegador com Selenium, operações de leitura/escrita de arquivos, execução de código em sandboxes seguras e OCR para extração de texto de imagens. O framework gerencia a memória da conversa, manipula a orquestração de ferramentas e suporta templates de prompt personalizados. Com RAGENT, equipes podem prototipar rapidamente agentes inteligentes para Q&A de documentos, automação de pesquisa, resumo de conteúdo e automação de fluxos de trabalho de ponta a ponta, tudo dentro de um ambiente Python.

Lagent é uma estrutura focada em desenvolvedores que permite a criação de agentes inteligentes sobre modelos de linguagem grande. Oferece módulos de planejamento dinâmico que dividem tarefas em subobjetivos, armazenamentos de memória para manter o contexto em sessões longas e interfaces de integração de ferramentas para chamadas de API ou acesso a serviços externos. Com pipelines personalizáveis, os usuários definem comportamentos do agente, estratégias de prompting, tratamento de erros e análise de saída. As ferramentas de registro e depuração do Lagent ajudam a monitorar os passos de decisão, enquanto sua arquitetura escalável suporta implantações locais, na nuvem ou empresariais. Acelera a construção de assistentes autônomos, analisadores de dados e automações de fluxo de trabalho.

LaVague é um framework de código aberto projetado para criar e implantar rapidamente agentes web de forma eficiente. Os usuários podem criar vários agentes que automatizam tarefas em aplicativos web, desde a entrada de dados até a recuperação abrangente de informações. O framework suporta integração com modelos locais, como Llama 3 8b, tornando-o uma escolha versátil para empresas que buscam aprimorar suas operações com automação baseada em IA. Com LaVague, os desenvolvedores podem adaptar agentes para se adequar a fluxos de trabalho específicos, aumentando a produtividade e a eficiência.

Sistema de Agente Linguístico é uma estrutura Python de código aberto projetada para construir agentes inteligentes que aproveitam modelos de linguagem para planejar e executar tarefas. Inclui componentes para gerenciamento de memória, registro de ferramentas, planejador e executor, permitindo que os agentes mantenham contexto, chamem APIs externas, realizem buscas na web e automatizem fluxos de trabalho. Configurável via YAML, suporta múltiplos provedores de LLM, possibilitando prototipagem rápida de chatbots, resumidores de conteúdo e assistentes autônomos. Os desenvolvedores podem ampliar a funcionalidade criando ferramentas e backends de memória personalizados, implantando os agentes localmente ou em servidores.

O Sistema RAG Potencializado por LLM é uma estrutura voltada para desenvolvedores para construir pipelines de geração aumentada por recuperação (RAG). Oferece módulos para incorporação de coleções de documentos, indexação via FAISS, Pinecone ou Weaviate, e recuperação de contexto relevante em tempo de execução. O sistema usa wrappers LangChain para orquestrar chamadas de LLM, suporta templates de prompts, respostas em streaming e adaptadores de múltiplos bancos de vetores. Simplifica a implantação de RAG de ponta a ponta para bases de conhecimento, permitindo personalização em cada etapa — desde a configuração do modelo de incorporação até o design do prompt e pós-processamento de resultados.

O llm-lab fornece um conjunto de ferramentas flexível para criar agentes inteligentes usando grandes modelos de linguagem. Inclui um mecanismo de orquestração de agentes, suporte a templates de prompts personalizados, rastreamento de memória e estado, e integração transparente com APIs externas e plugins. Os usuários podem criar cenários, definir cadeias de ferramentas, simular interações e coletar registros de desempenho. O framework também oferece um conjunto de testes embutido para validar o comportamento do agente contra resultados esperados. Projetado para ser extensível, o llm-lab permite que desenvolvedores troquem provedores de LLM, adicionem novas ferramentas e evoluam a lógica do agente através de experimentação iterativa.

MAPF_G2RL é uma estrutura de pesquisa de código aberto que une teoria dos gráficos e aprendizagem por reforço profundo para resolver o problema de busca de caminho multiagente (MAPF). Ela codifica nós e arestas em representações vetoriais, define funções de recompensa espacial e conscientes de colisões, e suporta vários algoritmos de RL, como DQN, PPO e A2C. A estrutura automatiza a criação de cenários gerando gráficos aleatórios ou importando mapas do mundo real, e coordena laços de treinamento que otimizam políticas para múltiplos agentes simultaneamente. Após o aprendizado, os agentes são avaliados em ambientes simulados para medir a otimização do caminho, o tempo de execução total e as taxas de sucesso. Seu design modular permite que pesquisadores estendam componentes essenciais, integrem novas técnicas de MARL e façam benchmarks contra solucionadores clássicos.

MiniAgent é uma estrutura minimalista de código aberto construída em Python para criar agentes de IA autônomos capazes de planejar e executar fluxos de trabalho complexos. Em seu núcleo, MiniAgent inclui um módulo de planejamento de tarefas que decompõe objetivos de alto nível em passos ordenados, um controlador de execução que executa cada passo sequencialmente e adaptadores embutidos para integrar ferramentas e APIs externas, incluindo serviços web, bancos de dados e scripts personalizados. Também possui um sistema leve de gerenciamento de memória para preservar o contexto de conversas ou tarefas. Desenvolvedores podem registrar facilmente plugins de ações personalizadas, definir regras de política para tomada de decisão e estender a funcionalidade das ferramentas. Com suporte para modelos OpenAI e LLMs locais, MiniAgent possibilita a criação rápida de protótipos de chatbots, trabalhadores digitais e pipelines automatizados, tudo sob uma licença MIT.

mini-AlphaStar revela a arquitetura complexa do AlphaStar ao fornecer uma estrutura acadêmica, de código aberto, em PyTorch para desenvolvimento de IA em StarCraft II. Inclui codificadores de características espaciais para entradas de tela e minimapa, processamento de características não espaciais, módulos de memória LSTM e redes separadas de política e valor para seleção de ações e avaliação de estados. Utiliza aprendizagem por imitação para bootstrap e reforço com autojogo para ajuste fino, suportando wrappers de ambiente compatíveis com StarCraft II via pysc2, registro via TensorBoard e hiperparâmetros configuráveis. Pesquisadores e estudantes podem gerar conjuntos de dados de jogos humanos, treinar modelos em cenários personalizados, avaliar o desempenho do agente e visualizar curvas de aprendizado. A estrutura modular permite experimentação fácil com variantes de rede, cronogramas de treinamento e configurações multiagentes. Destinado à educação e prototipagem, não para implantação em produção.

Multi-Agent Systems fornece um kit de ferramentas completo para criar, controlar e observar interações entre agentes autônomos. Os desenvolvedores podem definir classes de agentes com lógica de decisão personalizada, configurar ambientes complexos com recursos e regras configuráveis, e implementar canais de comunicação para troca de informações. A estrutura suporta agendamento síncrono e assíncrono, comportamentos orientados a eventos, e integra registro para métricas de desempenho. Os usuários podem estender módulos principais ou integrar modelos externos de IA para aprimorar a inteligência dos agentes. Ferramentas de visualização exibem simulações em tempo real ou pós-processadas, ajudando a analisar comportamentos emergentes e otimizar parâmetros do sistema. Desde pesquisa acadêmica até prototipagem de aplicações distribuídas, o Multi-Agent Systems simplifica simulações completas de múltiplos agentes.

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.

A Arquitetura Multi-Agente proporciona uma plataforma escalável e extensível para definir, registrar e coordenar múltiplos agentes de IA que trabalham juntos em um objetivo compartilhado. Inclui um corretor de mensagens, gerenciamento de ciclo de vida, criação dinâmica de agentes e protocolos de comunicação personalizáveis. Os desenvolvedores podem construir agentes especializados (por exemplo, buscadores de dados, processadores de PLN, tomadores de decisão) e conectá-los ao núcleo de execução para lidar com tarefas que variam de agregação de dados a fluxos de trabalho autônomos de decisão. O design modular da estrutura suporta extensões de plugins e integra-se com modelos ML existentes ou APIs.

Multi-Agent ColComp é uma estrutura extensível de código aberto para orquestrar uma equipe de agentes de IA para trabalhar juntos em tarefas complexas. Desenvolvedores podem definir papéis distintos, configurar canais de comunicação e compartilhar dados de contexto através de um armazenamento de memória unificado. A biblioteca inclui componentes plug-and-play para negociação, coordenação e construção de consenso. Configurações de exemplo demonstram geração de texto colaborativa, planejamento distribuído e simulação multi-agente. Seu design modular suporta fácil extensão, permitindo às equipes criar protótipos e avaliar estratégias multi-agente rapidamente em ambientes de pesquisa ou produção.

O MultiAgentPacman oferece um ambiente de jogo em Python onde os usuários podem implementar, visualizar e comparar múltiplos agentes de IA no domínio Pacman. Suporta algoritmos de busca adversarial como minimax, expectimax, poda alfa-beta, bem como agentes personalizados baseados em reforço ou heurísticas. A estrutura inclui uma interface gráfica simples, controles de linha de comando e utilitários para registrar estatísticas do jogo e comparar o desempenho dos agentes em cenários cooperativos ou competitivos.

MultiAgentPuzzleSolver fornece um ambiente modular onde agentes de IA independentes trabalham juntos para resolver enigmas como encaixe de peças, Cubo de Rubik e grades lógicas. Os agentes compartilham informações de estado, negociam atribuições de subtarefas e aplicam heurísticas diversas para explorar o espaço de solução de forma mais eficaz do que abordagens de agente único. Os desenvolvedores podem integrar novos comportamentos de agentes, personalizar protocolos de comunicação e acrescentar definições de enigmas inovadoras. A estrutura inclui ferramentas para visualização em tempo real das interações dos agentes, coleta de métricas de desempenho e scripts de experimentos. Suporta Python 3.8+, bibliotecas padrão e kits de ferramentas ML populares para integração perfeita em projetos de pesquisa.

O OpenAI Agents MCP Server fornece uma base robusta para implantar e gerenciar agentes autônomos alimentados por modelos OpenAI. Ele expõe uma API RESTful flexível para criar, configurar e controlar agentes, permitindo que os desenvolvedores orquestrem tarefas de múltiplos passos, coordenem interações entre agentes e mantenham memória persistente entre sessões. A estrutura suporta integrações de ferramentas tipo plugin, logs avançados de conversas e estratégias de planejamento personalizáveis. Ao abstrair as preocupações de infraestrutura, o MCP Server simplifica o fluxo de desenvolvimento, facilitando prototipagem rápida e implantação escalável de assistentes conversacionais, automações de fluxo de trabalho e trabalhadores digitais alimentados por IA em ambientes de produção.

RoboCup Rescue Agent Simulation é uma estrutura de código aberto que modela ambientes urbanos de desastres onde múltiplos agentes controlados por IA colaboram para localizar e resgatar vítimas. Oferece interfaces para navegação, mapeamento, comunicação e integração de sensores. Os usuários podem criar estratégias personalizadas, executar experimentos em lote e visualizar métricas de desempenho de agentes. A plataforma suporta configuração de cenários, registro de logs e análise de resultados para acelerar pesquisas em sistemas multiagentes e algoritmos de resposta a desastres.