A Acme é uma estrutura baseada em Python que simplifica o desenvolvimento e a avaliação de agentes de aprendizado por reforço. Oferece uma coleção de implementações de agentes pré-construídos (por exemplo, DQN, PPO, SAC), wrappers de ambientes, buffers de Replay e motores de execução distribuída. Pesquisadores podem combinar componentes para criar protótipos de novos algoritmos, monitorar métricas de treinamento com registro embutido e aproveitar pipelines distribuídos escaláveis para experimentos em grande escala. A Acme integra-se com TensorFlow e JAX, suporta ambientes personalizados via interfaces OpenAI Gym e inclui utilitários para checkpointing, avaliação e configuração de hiperparâmetros.

Agent-Squad é uma estrutura modular em Python que capacita equipes a projetar, implementar e executar sistemas com múltiplos agentes para tarefas complexas. Em seu núcleo, o Agent-Squad permite configurar perfis diversos de agentes, como recuperadores de dados, sumarizadores, codificadores e validadores, que se comunicam por canais definidos e compartilham contextos de memória. Ao decompor objetivos de alto nível em subtarefas, o framework orquestra processamento paralelo e aproveita LLMs junto com APIs externas, bancos de dados ou ferramentas personalizadas. Desenvolvedores podem definir fluxos de trabalho em JSON ou código, monitorar interações de agentes e adaptar estratégias dinamicamente usando utilitários de registro e avaliação integrados.

ANAC-agents é um framework baseado em Python que centraliza múltiplas implementações de agentes de negociação para a Competição de Agentes de Negociação Automatizada (ANAC). Cada agente no repositório incorpora estratégias distintas de modelagem de utilidade, geração de propostas, táticas de concessão e critérios de aceitação, facilitando estudos comparativos e prototipagem rápida. Usuários podem definir domínios de negociação com questões personalizadas e perfis de preferência, então simular negociações bilaterais ou competições no estilo torneio entre agentes. O kit inclui scripts de configuração, métricas de avaliação e utilitários de registro para analisar dinâmicas de negociação. Pesquisadores e desenvolvedores podem estender agentes existentes, testar algoritmos inovadores ou integrar módulos de aprendizagem externos, acelerando a inovação em barganha automatizada e tomada de decisão estratégica sob informações incompletas.

Autonomais é um framework de agentes de IA modulares projetado para autonomia completa no planejamento e execução de tarefas. Integra modelos de linguagem grande para gerar planos, orquestra ações através de um pipeline personalizável e armazena o contexto em módulos de memória para raciocínio coerente em múltiplas etapas. Os desenvolvedores podem integrar ferramentas externas como scrapers web, bancos de dados e APIs, definir manipuladores de ações personalizados e ajustar o comportamento do agente através de habilidades configuráveis. O framework suporta registro de logs, tratamento de erros e depuração passo a passo, garantindo automação confiável de tarefas de pesquisa, análise de dados e interações web. Com sua arquitetura extensível de plugins, o Autonomais permite desenvolvimento rápido de agentes especializados capazes de tomada de decisão complexa e uso dinâmico de ferramentas.

Swarms SDK simplifica a criação, configuração e execução de sistemas colaborativos de múltiplos agentes usando modelos de linguagem grande. Os desenvolvedores definem agentes com papéis distintos — pesquisador, sintetizador, crítico — e os agrupam em enxames que trocam mensagens via um barramento compartilhado. O SDK trata de agendamento, persistência de contexto e armazenamento de memória, possibilitando resolução iterativa de problemas. Com suporte nativo para OpenAI, Anthropic e outros provedores de LLM, oferece integrações flexíveis. Utilitários para registro, agregação de resultados e avaliação de desempenho ajudam equipes a prototipar e implantar fluxos de trabalho de IA para brainstorming, geração de conteúdo, resumimentos e suporte à decisão.

O Ambiente de Busca Cooperativa fornece um ambiente de aprendizado por reforço multiagente flexível e compatível com gym, projetado para tarefas de busca cooperativa tanto em ambientes de grade discreta quanto em espaços contínuos. Os agentes operam sob observabilidade parcial e podem compartilhar informações com base em topologias de comunicação personalizáveis. O framework suporta cenários predefinidos como busca e resgate, rastreamento de alvos dinâmicos e mapeamento colaborativo, com APIs para definir ambientes e estruturas de recompensa personalizadas. Integra-se facilmente com bibliotecas de RL populares como Stable Baselines3 e Ray RLlib, inclui utilitários de registro para análise de desempenho e oferece ferramentas de visualização integradas para monitoramento em tempo real. Pesquisadores podem ajustar tamanhos de grade, contagem de agentes, alcances de sensores e mecanismos de compartilhamento de recompensas para avaliar estratégias de coordenação e testar novos algoritmos de forma eficaz.

Multi-Agent-LLM foi projetado para simplificar a orquestração de múltiplos agentes de IA alimentados por grandes modelos de linguagem. Os usuários podem definir agentes individuais com personas únicas, armazenamento de memória e ferramentas ou APIs externas integradas. Um central AgentManager gerencia os ciclos de comunicação, permitindo que os agentes troquem mensagens em um ambiente compartilhado e avancem colaborativamente em direção a objetivos complexos. A estrutura suporta troca de provedores de LLM (por exemplo, OpenAI, Hugging Face), templates de prompt flexíveis, históricos de conversas e contextos passo a passo de ferramentas. Os desenvolvedores beneficiam-se de utilitários embutidos para registro, tratamento de erros e spawning dinâmico de agentes, possibilitando automação escalável de fluxos de trabalho de múltiplas etapas, tarefas de pesquisa e pipelines de tomada de decisão.

A Shepherding é uma estrutura de simulação de código aberto projetada para pesquisadores e desenvolvedores de aprendizado por reforço estudarem e implementarem tarefas de pastoreio multiagente. Oferece um ambiente compatível com Gym onde agentes podem ser treinados para desempenhar comportamentos como flanquear, coletar e dispersar grupos-alvo em espaços contínuos ou discretos. A estrutura inclui funções modulares de formação de recompensa, parametrização do ambiente e utilitários de registro para monitorar o desempenho de treinamento. Os usuários podem definir obstáculos, populações dinâmicas de agentes e políticas personalizadas usando TensorFlow ou PyTorch. Scripts de visualização geram gráficos de trajetórias e gravações de vídeo das interações dos agentes. O design modular do Shepherding permite integração perfeita com bibliotecas de RL existentes, possibilitando experimentos reprodutíveis, benchmark de novas estratégias de coordenação e prototipagem rápida de soluções de pastoreio impulsionadas por IA.

Super-Agent-Party permite que os desenvolvedores definam um objeto Party onde os agentes de IA desempenham papéis distintos, como planejamento, pesquisa, redação e revisão. Cada agente pode ser configurado com prompts personalizados, ferramentas e parâmetros de modelo. A estrutura gerencia roteamento de mensagens e contexto compartilhado, possibilitando a colaboração em tempo real em subtarefas. Ela suporta integração de plugins para serviços de terceiros, estratégias flexíveis de orquestração de agentes e rotinas de tratamento de erros. Com uma API intuitiva, os usuários podem adicionar ou remover agentes dinamicamente, encadear fluxos de trabalho e visualizar interações de agentes. Construída em Node.js e compatível com principais provedores de nuvem, Super-Agent-Party otimiza o desenvolvimento de sistemas de múltiplos agentes escaláveis e sustentáveis para automação, geração de conteúdo, análise de dados e mais.

O BeeAI Framework fornece uma arquitetura totalmente modular para construir agentes inteligentes capazes de executar tarefas, gerenciar estado e interagir com ferramentas externas. Inclui um gerenciador de memória para retenção de contexto de longo prazo, um sistema de plugins para integração de habilidades personalizadas e suporte embutido para encadeamento de APIs e coordenação de múltiplos agentes. A estrutura oferece SDKs em Python e JavaScript, uma interface de linha de comando para estruturar projetos e scripts de implantação para nuvem, Docker ou dispositivos de borda. Painéis de monitoramento e utilitários de registro ajudam a rastrear o desempenho do agente e solucionar problemas em tempo real.

DeepMind MAS Environment é uma biblioteca Python que fornece uma interface padronizada para construir e simular tarefas de aprendizado por reforço multiagente. Permite configurar o número de agentes, definir espaços de observação e ação, e personalizar estruturas de recompensa. A estrutura suporta canais de comunicação entre agentes, registro de desempenho e capacidades de renderização. Pesquisadores podem integrar facilmente o DeepMind MAS Environment com bibliotecas populares de RL, como TensorFlow e PyTorch, para avaliar novos algoritmos, testar protocolos de comunicação e analisar domínios de controle discretos e contínuos.

openai-agents-python é um pacote abrangente em Python projetado para ajudar desenvolvedores a construir agentes de IA totalmente autônomos. Fornece abstrações para planejamento de agentes, integração de ferramentas, estados de memória e loops de execução. Os usuários podem registrar ferramentas personalizadas, definir metas de agentes e deixar a estrutura orquestrar raciocínio passo a passo. A biblioteca também inclui utilitários para testar e registrar ações do agente, facilitando a iteração nos comportamentos e a solução de problemas de tarefas complexas de várias etapas.

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.

NeuralABM é uma biblioteca open-source em Python que utiliza PyTorch para integrar redes neurais na modelagem baseada em agentes. Usuários podem especificar arquiteturas de agentes como módulos neurais, definir dinâmicas do ambiente e treinar comportamentos de agentes usando retropropagação entre passos de simulação. O framework suporta sinais de recompensa personalizados, aprendizado por currículo e atualizações síncronas ou assíncronas, permitindo o estudo de fenômenos emergentes. Com utilitários para registro, visualização e exportação de conjuntos de dados, pesquisadores e desenvolvedores podem analisar o desempenho do agente, depurar modelos e iterar no design da simulação. NeuralABM simplifica a combinação de reforço de aprendizagem com ABM para aplicações em ciências sociais, economia, robótica e comportamentos de NPC em jogos alimentados por IA. Oferece componentes modulares para personalização do ambiente, suporta interações multiagentes e fornece ganchos para integrar conjuntos de dados externos ou APIs para simulações do mundo real. O design aberto promove reprodutibilidade e colaboração através de configurações claras de experimentos e integração com controle de versão.