DocumentAI-Backend é uma estrutura de backend leve que automatiza a extração de texto, campos de formulário e dados estruturados de documentos. Oferece endpoints API REST para fazer upload de PDFs ou imagens, processa-os via Google Document AI com fallback OCR e retorna resultados analisados em JSON. Construído com Python, FastAPI e Docker, permite integração rápida em sistemas existentes, implantações escaláveis e personalização através de pipelines e middleware configuráveis.

LiteMultiAgent oferece um SDK modular para construir e executar múltiplos agentes de IA em paralelo ou sequencialmente, cada um atribuído com papéis e responsabilidades únicos. Fornece armazenamento de memória pronto para uso, pipelines de mensagens, adaptadores de plugins e laços de execução para gerenciar comunicação complexa entre agentes. Os usuários podem personalizar comportamentos dos agentes, integrar ferramentas ou APIs externas e monitorar conversas via logs. O design leve e o gerenciamento de dependências tornam-no ideal para prototipagem rápida e implantação em produção de fluxos de trabalho colaborativos de IA.

Agent Script fornece uma camada de scripting declarativa sobre grandes modelos de linguagem, permitindo que você escreva scripts em YAML ou JSON que definem fluxos de trabalho do agente, chamadas de ferramenta e uso de memória. Você pode conectar OpenAI, LLMs locais ou outros provedores, conectar APIs externas como ferramentas e configurar backends de memória de longo prazo. A estrutura gerencia contexto, execução assíncrona e logs detalhados automaticamente. Com pouco código, você pode prototipar chatbots, fluxos de trabalho RPA, agentes de extração de dados ou ciclos de controle personalizados, facilitando a construção, teste e implantação de automações alimentadas por IA.

Fast-LLM-Agent-MCP é uma estrutura Python leve e de código aberto para construir agentes de IA que combinam gerenciamento de memória, raciocínio em cadeia e planejamento de múltiplas etapas. Desenvolvedores podem integrá-lo com OpenAI, Azure OpenAI, Llama local e outros modelos para manter o contexto de conversa, gerar traços estruturados de raciocínio e decompor tarefas complexas em subtarefas executáveis. Seu design modular permite integração de ferramentas personalizadas e armazenamento de memória, tornando-o ideal para aplicações como assistentes virtuais, sistemas de suporte à decisão e bots de suporte ao cliente automatizados.

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.

O InfantAgent oferece uma estrutura leve para projetar e implantar agentes inteligentes em Python. Integra-se com LLMs populares (OpenAI, Hugging Face), suporta módulos de memória persistentes e permite cadeias de ferramentas personalizadas. Por padrão, você obtém uma interface conversacional, orquestração de tarefas e tomada de decisão orientada por políticas. A arquitetura de plug-ins do framework permite fácil extensão para ferramentas e APIs específicas de domínio, tornando-o ideal para prototipagem de agentes de pesquisa, automação de fluxos de trabalho ou incorporação de assistentes de IA em aplicações.

js-agent fornece aos desenvolvedores um kit de ferramentas minimalista, porém potente, para criar agentes de IA autônomos em JavaScript. Oferece abstrações para memória de conversa, ferramentas de chamada de funções, estratégias de planejamento personalizáveis e manipulação de erros. Com o js-agent, você pode configurar rapidamente prompts, gerenciar estados, invocar APIs externas e coordenar comportamentos complexos de agentes através de uma API simples e modular. Foi projetado para rodar em ambientes Node.js e integra-se perfeitamente com a API OpenAI para impulsionar agentes inteligentes e sensíveis ao contexto.

Na prática, LlamaSim permite definir múltiplos agentes alimentados por IA usando o modelo Llama, configurar cenários de interação e executar simulações controladas. Você pode personalizar personalidades de agentes, lógica de tomada de decisão e canais de comunicação usando APIs simples em Python. A estrutura automaticamente lida com a construção de prompts, análise de respostas e rastreamento do estado da conversa. Ela registra todas as interações e fornece métricas de avaliação integradas, como coerência de respostas, taxa de conclusão de tarefas e latência. Com sua arquitetura de plugins, você pode integrar fontes de dados externas, adicionar funções de avaliação personalizadas ou estender as capacidades dos agentes. O núcleo leve do LlamaSim torna-o adequado para desenvolvimento local, pipelines de CI ou implantações na nuvem, permitindo pesquisas reprodutíveis e validação de protótipos.

Melissa fornece uma arquitetura leve e extensível para construir agentes movidos a IA sem a necessidade de muito código boilerplate. Em seu núcleo, a estrutura usa um sistema baseado em plugins onde os desenvolvedores podem registrar ações personalizadas, conectores de dados e módulos de memória. O subsistema de memória permite a preservação do contexto em interações, aprimorando a continuidade da conversa. Adaptadores de integração permitem que os agentes busquem e processem informações de APIs, bancos de dados ou arquivos locais. Combinando uma API simples, ferramentas de CLI e interfaces padronizadas, Melissa agiliza tarefas como automatizar consultas de clientes, gerar relatórios dinâmicos ou orquestrar fluxos de trabalho de várias etapas. A estrutura é independente de linguagem para integração, tornando-se adequada para projetos centrados em Python e pode ser implantada em ambientes Linux, macOS ou Docker.

SelfDrivingCarSimulator é uma estrutura leve em Python construída sobre Pygame que oferece um ambiente de condução 2D para treinar agentes de veículos autônomos usando aprendizado por reforço. Ela suporta layouts de pistas personalizáveis, modelos de sensores configuráveis (como LiDAR e emulação de câmeras), visualização em tempo real e registro de dados para análise de desempenho. Desenvolvedores podem integrar seus algoritmos de RL, ajustar parâmetros físicos e monitorar métricas como velocidade, taxa de colisões e funções de recompensa para iterar rapidamente em projetos de pesquisa e educação sobre condução autônoma.

AgentSimJS foi projetado para simplificar a criação e execução de modelos baseados em agentes em grande escala em JavaScript. Com sua arquitetura modular, os desenvolvedores podem definir agentes com estados personalizados, sensores, funções de decisão e atuadores, integrando-os em ambientes dinâmicos parametrizados por variáveis globais. A estrutura orquestra simulações de passo de tempo discreto, gerencia mensagens baseadas em eventos entre agentes e registra dados de interação para análise. Módulos de visualização suportam renderização em tempo real usando HTML5 Canvas ou bibliotecas externas, enquanto plugins permitem a integração com ferramentas estatísticas. AgentSimJS roda tanto em navegadores modernos quanto no Node.js, tornando-se adequado para aplicações web interativas, pesquisa acadêmica, ferramentas educacionais e prototipagem rápida de inteligência de enxame, dinâmica de multidões ou experimentos de IA distribuída.