Simple-Agent é uma estrutura de agente de IA de código aberto escrita em Python que aproveita a API OpenAI para criar agentes conversacionais modulares. Permite que os desenvolvedores definam funções de ferramenta que o agente pode invocar, manter memória de contexto entre interações e personalizar comportamentos do agente por meio de módulos de habilidades. A estrutura lida com roteamento de solicitações, planejamento de ações e execução de ferramentas, permitindo que você se concentre na lógica específica do domínio. Com recursos integrados de registro e tratamento de erros, o Simple-Agent acelera o desenvolvimento de chatbots, assistentes automatizados e ferramentas de suporte à decisão com IA. Oferece fácil integração com APIs e fontes de dados personalizadas, suporta chamadas assíncronas de ferramentas e fornece uma interface de configuração simples. Use-o para prototipar agentes de IA para suporte ao cliente, análise de dados, automação e muito mais. Sua arquitetura modular facilita a adição de novas capacidades sem alterar a lógica principal. Apoiado por contribuições da comunidade e documentação, o Simple-Agent é ideal tanto para iniciantes quanto para desenvolvedores experientes que desejam implantar agentes inteligentes rapidamente.

SmolAgents Dynamic Tools estende o framework Python open-source SmolAgents para capacitar agentes baseados em LLM com invocação dinâmica de ferramentas. Os agentes podem chamar facilmente uma variedade de ferramentas pré-construídas — como busca na web via SerpAPI, calculadoras matemáticas, obtenção de data e hora, operações no sistema de arquivos e manipuladores de requisições HTTP personalizadas — com base na intenção do usuário e prompts de cadeia de pensamento. Desenvolvedores podem registrar ferramentas adicionais ou personalizar as existentes, permitindo que os agentes lidem com recuperação de dados, criação de conteúdo, cálculos e integração com APIs externas em uma interface unificada. Ao avaliar a disponibilidade das ferramentas em tempo de execução, o SmolAgents Dynamic Tools otimiza os fluxos de trabalho dos agentes, reduzindo lógica hard-coded e melhorando a modularidade em diferentes cenários de aplicação, como suporte à pesquisa, relatórios automatizados e incremento de chatbots.

Duet GPT é uma estrutura de código aberto baseada em Python para orquestrar conversas multi-agente entre dois modelos GPT. Você define papéis distintos para os agentes, personalizados com prompts de sistema, e a estrutura gerencia automaticamente a troca de turnos, envio de mensagens e histórico de conversas. Essa estrutura cooperativa acelera a resolução de tarefas complexas, permitindo raciocínio comparativo, ciclos de crítica e refinamento iterativo por meio de trocas de ida e volta. Sua integração perfeita com a API da OpenAI, configuração simples e registro embutido o tornam ideal para pesquisa, prototipagem e fluxos de trabalho de produção em assistência de codificação, suporte à decisão e ideação criativa. Os desenvolvedores podem estender as classes principais para integrar novos serviços LLM, ajustar a lógica do iterador e exportar transcrições em formatos JSON ou Markdown para análise posterior.

Thufir é uma estrutura de agente de código aberto baseada em Python, projetada para facilitar a criação de agentes de IA autônomos capazes de planejamento e execução de tarefas complexas. Em seu núcleo, Thufir fornece um motor de planejamento que decompõe objetivos de alto nível em passos acionáveis, um módulo de memória para armazenar e recuperar informações contextuais entre sessões, e uma interface de ferramenta plug-and-play que permite aos agentes interagir com APIs externas, bancos de dados ou ambientes de execução de código. Os desenvolvedores podem aproveitar os componentes modulares de Thufir para personalizar comportamentos de agentes, definir ferramentas personalizadas, gerenciar o estado do agente e orquestrar fluxos de trabalho multiagente. Ao abstrair preocupações de infraestrutura de baixo nível, Thufir acelera o desenvolvimento e a implantação de agentes inteligentes para casos de uso como assistentes virtuais, automação de fluxo de trabalho, pesquisa e trabalhadores digitais.

agent-steps é uma estrutura de orquestração de etapas em Python projetada para simplificar o desenvolvimento de agentes de IA subdividindo tarefas complexas em etapas discretas e reutilizáveis. Cada etapa encapsula uma ação específica — como invocar um modelo de linguagem, realizar transformações de dados ou chamadas de API externas — e pode passar o contexto para etapas subsequentes. A biblioteca suporta execução síncrona e assíncrona, permitindo pipelines escaláveis. Utilitários integrados de registro e depuração oferecem transparência na execução das etapas, enquanto sua arquitetura modular promove a manutenção. Os usuários podem definir tipos de etapas personalizados, encadeá-las em fluxos de trabalho e integrá-las facilmente em aplicações Python existentes. agent-steps é adequada para construir chatbots, pipelines automatizados de dados, sistemas de suporte à decisão e outras soluções de IA de múltiplas etapas.

AI-Agent é uma estrutura Python extensível projetada para criar agentes autônomos alimentados pelos modelos GPT da OpenAI e LangChain. Inclui módulos para busca na web, consulta à Wikipédia, funções de calculadora e integrações com ferramentas personalizadas, possibilitando pesquisa automatizada, análise de dados e execução de scripts. Os usuários podem configurar agentes para planejar tarefas de múltiplos passos, interagir com APIs, gerar relatórios e realizar fluxos de trabalho complexos sem intervenção manual, otimizando a produtividade em desenvolvimento, ciência de dados e processos de negócios.

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.

ChatGPT OpenAI Smart Speaker é uma estrutura de desenvolvimento para construir seu próprio assistente AI ativado por voz. Funciona em dispositivos como Raspberry Pi, PCs Linux, macOS ou máquinas Windows. Usando bibliotecas padrão do Python para reconhecimento de fala e síntese de texto para fala, ouve uma palavra de ativação, captura sua pergunta, encaminha para a API ChatGPT da OpenAI e lê as respostas em tempo real. Você pode estender com comandos personalizados, integrar controles de automação residencial ou usá-lo para demonstrações educacionais de IA de voz.

ModelScope Agent fornece uma estrutura modular baseada em Python para orquestrar agentes de IA autônomos. Inclui integração de plugins para ferramentas externas ( APIs, bancos de dados, pesquisa ), memória de conversação para preservação de contexto e cadeias de agentes personalizáveis para lidar com tarefas complexas como recuperação de conhecimento, processamento de documentos e suporte à decisão. Os desenvolvedores podem configurar papéis de agentes, comportamentos e prompts, além de aproveitar vários backends LLM para otimizar desempenho e confiabilidade em produção.

CodeFuse-muAgent é uma estrutura de código aberto baseada em Python que orquestra múltiplos agentes de IA autônomos para resolver tarefas complexas de forma colaborativa. Desenvolvedores definem agentes individuais com habilidades especializadas — como processamento de dados, compreensão de linguagem natural ou interação com APIs externas — e configuram protocolos de comunicação para delegação de tarefas dinâmica. A estrutura fornece gerenciamento de memória centralizada, registro e monitoramento, mantendo-se agnóstica ao modelo, suportando integração com LLMs populares e modelos de IA personalizados. Ao aproveitar o CodeFuse-muAgent, as equipes podem construir fluxos de trabalho modulares de IA, automatizar processos de múltiplas etapas e escalar implantações em diversos ambientes. Arquivos de configuração flexíveis e APIs extensíveis permitem prototipagem rápida, testes e ajustes finos, tornando-o adequado para casos de uso em suporte ao cliente, pipelines de geração de conteúdo, assistentes de pesquisa e mais.

CUPCAKE AGI (Pipeline Utilitário Componível para Criativo, Conhecedor e Evoluível Inteligência Geral Autônoma) é uma estrutura Python flexível que simplifica a construção de agentes autônomos combinando modelos de linguagem, memória e ferramentas externas. Oferece módulos principais incluindo um planejador de metas, um executor de modelos e um gerenciador de memória para manter o contexto ao longo das interações. Os desenvolvedores podem estender a funcionalidade via plugins para integrar APIs, bancos de dados ou conjuntos de ferramentas personalizados. CUPCAKE AGI suporta fluxos de trabalho síncronos e assíncronos, tornando-o ideal para pesquisa, prototipagem e implantações de agentes de nível de produção em várias aplicações.

Cyrano é uma estrutura de código aberto em Python e CLI para criar agentes de IA que orquestram grandes modelos de linguagem e ferramentas externas por meio de solicitações de linguagem natural. Os usuários podem definir ferramentas personalizadas (funções), configurar limites de memória e tokens, e lidar com callbacks. Cyrano lida com a análise de respostas JSON de LLMs e executa ferramentas especificadas em sequência. Enfatiza simplicidade, modularidade e zero dependências externas, permitindo que desenvolvedores possam prototipar chatbots, construir fluxos de trabalho automatizados e integrar capacidades de IA em aplicativos de forma rápida.

Fast Reinforcement Learning é uma estrutura especializada em Python projetada para acelerar o desenvolvimento e a execução de agentes de reforço de aprendizado. Oferece suporte imediato para algoritmos populares como PPO, A2C, DDPG e SAC, combinados com gerenciamento de ambientes vetorizados de alta vazão. Os usuários podem configurar facilmente redes de política, personalizar laços de treinamento e aproveitar a aceleração GPU para experimentos em larga escala. O design modular da biblioteca garante integração perfeita com ambientes OpenAI Gym, permitindo que pesquisadores e profissionais prototype, benchmark e implantem agentes em várias tarefas de controle, jogos e simulação.

defaultmodeAGENT é uma estrutura baseada em Python projetada para simplificar a criação de agentes inteligentes que executam fluxos de trabalho de múltiplas etapas de forma autônoma. Possui planejamento em modo padrão—uma estratégia adaptativa para decidir quando explorar versus explorar—junto com integração fluida de ferramentas e APIs personalizadas. Os agentes mantêm memória de conversação, suportam prompts dinâmicos e oferecem registro para depuração. Construído sobre a API da OpenAI, permite prototipagem rápida de assistentes para extração de dados, pesquisa e automação de tarefas.

GenAI Job Agents é uma estrutura de código aberto baseada em Python projetada para simplificar a criação e gestão de agentes de trabalho com IA. Os desenvolvedores podem definir tipos de trabalho personalizados e comportamentos de agentes usando arquivos de configuração simples ou classes Python. O sistema se integra perfeitamente com OpenAI para raciocínio com LLM e LangChain para encadeamento de chamadas. Os trabalhos podem ser enfileirados, executados em paralelo e monitorados através de mecanismos embutidos de logs e tratamento de erros. Os agentes podem lidar com entradas dinâmicas, reiniciar falhas automaticamente e produzir resultados estruturados para processamento subsequente. Com uma arquitetura modular, plugins extensíveis e APIs claras, o GenAI Job Agents capacita equipes a automatizar tarefas repetitivas, orquestrar fluxos de trabalho complexos e escalar operações impulsionadas por IA em ambientes de produção.

GPA-LM é uma estrutura baseada em Python projetada para simplificar a criação e orquestração de agentes de IA alimentados por grandes modelos de linguagem. Conta com um planejador que divide instruções de alto nível em subtarefas, um executor que gerencia chamadas de ferramentas e interações, e um módulo de memória que mantém o contexto entre sessões. A arquitetura de plugins permite aos desenvolvedores adicionar ferramentas, APIs e lógica de decisão personalizadas. Com suporte multi-agente, o GPA-LM pode coordenar papéis, distribuir tarefas e agregar resultados. Integra-se facilmente com LLMs populares como OpenAI GPT e suporta implantação em diversos ambientes. O framework acelera o desenvolvimento de agentes autônomos para pesquisa, automação e prototipagem de aplicações.

HFO_DQN combina Python e TensorFlow para fornecer um pipeline completo para treinar agentes de futebol usando Deep Q-Networks. Os usuários podem clonar o repositório, instalar dependências incluindo o simulador HFO e bibliotecas Python, e configurar os parâmetros de treinamento em arquivos YAML. O framework implementa experiência de replay, atualizações de rede alvo, exploração epsilon-greedy e modelagem de recompensas específicas para o domínio offense de meio campo. Possui scripts para treinamento de agentes, registro de desempenho, partidas de avaliação e plotagem de resultados. A estrutura modular de código permite integrar arquiteturas de rede neural personalizadas, algoritmos RL alternativos e estratégias de coordenação multiagentes. As saídas incluem modelos treinados, métricas de desempenho e visualizações de comportamento, facilitando a pesquisa em aprendizado por reforço e sistemas multiagentes.

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.

LangChain é uma estrutura Python de código aberto projetada para acelerar o desenvolvimento de aplicações habilitadas para IA. Fornece abstrações para encadear múltiplas chamadas de modelos de linguagem (cadeias), construir agentes que interagem com ferramentas externas e gerenciar a memória de conversas. Os desenvolvedores podem definir prompts, analisadores de saída e executar fluxos de trabalho de ponta a ponta. As integrações incluem armazenamento vetorial, bancos de dados, APIs e plataformas de hospedagem, possibilitando chatbots prontos para produção, análise de documentos, assistentes de código e pipelines de IA personalizados.

O framework LLM Maze Agent fornece um ambiente baseado em Python para construir agentes inteligentes capazes de navegar por labirintos de grade usando grandes modelos de linguagem. Combinando interfaces modulares de ambiente com modelos de prompting em cadeia de pensamento e planejamento heurístico, o agente consulta iterativamente um LLM para decidir direções de movimento, adaptar-se a obstáculos e atualizar sua representação de estado interno. Suporte pronto para uso com modelos OpenAI e Hugging Face permite integração sem problemas, enquanto a geração configurável de labirintos e a depuração passo a passo facilitam a experimentação com diferentes estratégias. Pesquisadores podem ajustar funções de recompensa, definir espaços de observação personalizados e visualizar rotas do agente para analisar processos de raciocínio. Este design faz do LLM Maze Agent uma ferramenta versátil para avaliar o planejamento com base em LLM, ensinar conceitos de IA e comparar o desempenho de modelos em tarefas de raciocínio espacial.