SonAgent é uma estrutura de código aberto extensível projetada para construir, organizar e executar agentes de IA em Python. Ele fornece módulos principais para armazenamento de memória, wrappers de ferramentas, lógica de planejamento e manipulação assíncrona de eventos. Os desenvolvedores podem registrar ferramentas personalizadas, integrar modelos de linguagem, gerenciar memória de longo prazo do agente e orquestrar múltiplos agentes para colaborar em tarefas complexas. O design modular do SonAgent acelera o desenvolvimento de bots conversacionais, automação de fluxos de trabalho e sistemas de agentes distribuídos.

xBrain fornece uma arquitetura modular para criar, configurar e orquestrar agentes autônomos dentro de aplicações Python. Os usuários definem agentes com capacidades específicas — como recuperação de dados, análise ou geração — e os montam em fluxos de trabalho onde cada agente comunica-se e delega tarefas. O framework inclui um agendador para gerenciamento de execução assíncrona, um sistema de plugins para integrar APIs externas e um mecanismo de registro embutido para monitoramento e depuração em tempo real. A interface flexível do xBrain suporta implementações de memória personalizadas e templates de agentes, permitindo aos desenvolvedores adaptar comportamentos a vários domínios. Desde chatbots e pipelines de dados até experimentos de pesquisa, xBrain acelera o desenvolvimento de sistemas complexos de múltiplos agentes com minimalismo de código.

MultiAgentModel fornece uma API unificada para definir ambientes personalizados e classes de agentes para cenários multiagentes. Os desenvolvedores podem especificar espaços de observação e ação, estruturas de recompensa e canais de comunicação. O suporte embutido para algoritmos populares de RL como PPO, DQN e A2C permite o treino com configurações mínimas. Ferramentas de visualização em tempo real ajudam a monitorar interações de agentes e métricas de desempenho. A arquitetura modular garante fácil integração de novos algoritmos e módulos personalizados. Inclui também um sistema de configuração flexível para ajuste de hiperparâmetros, utilitários de registro para rastreamento de experimentos e compatibilidade com ambientes OpenAI Gym para portabilidade sem esforço. Os usuários podem colaborar em ambientes compartilhados e reproduzir sessões gravadas para análise.

Este repositório agrega uma coleção abrangente de componentes de sistemas multiagentes e técnicas de coordenação de IA distribuída. Fornece implementações de algoritmos de consenso, protocolos de negociação de contrato, alocação de tarefas baseada em leilão, estratégias de formação de coalizões e frameworks de comunicação entre agentes. Os usuários podem aproveitar ambientes de simulação integrados para modelar e testar comportamentos de agentes em diferentes topologias de rede, cenários de latência e modos de falha. O design modular permite que desenvolvedores e pesquisadores integrem, estendam ou personalizem módulos de coordenação individuais para aplicações em enxames de robôs, colaboração de dispositivos IoT, redes inteligentes e sistemas de tomada de decisão distribuída.

AmongA e pesquisa em sistemas de IA multiagente. Por meio de uma API simples em Python, os usuários podem instanciar qualquer número de agentes de IA, cada um equipado com personas personalizadas, prompts e buffers de memória. Os agentes participam de ciclos de conversa configuráveis, suportando debates, brainstorming, tomada de decisão ou simulação de jogos. A estrutura integra-se perfeitamente com as principais APIs de LLM (ex.: OpenAI, Anthropic), permitindo interação baseada em mensagens e registro de transcrições. Desenvolvedores podem estender comportamentos personalizando papéis de agentes, controlando a lógica de turnos e conectando fontes de dados externas. AmongAIs também fornece utilitários para análise de sentimento, avaliação por pontuação e replay de sessões. Ideal para equipes que exploram comunicação emergente, geração colaborativa de ideias e testes de coordenação de trabalhadores digitais em ambientes de pesquisa e produção.

O ComfyUI LLM Party amplia o ambiente baseado em nós do ComfyUI, fornecendo uma suíte de nós alimentados por LLM projetados para orquestrar interações de texto junto com fluxos de trabalho visuais de IA. Ele oferece nós de chat para interagir com grandes modelos de linguagem, nós de memória para retenção de contexto e nós de roteamento para gerenciar diálogos multiagente. Os usuários podem encadear operações de geração de linguagem, resumo e tomada de decisão dentro de seus pipelines, mesclando IA textual e geração de imagem. A extensão também suporta modelos de prompt personalizados, gerenciamento de variáveis e ramificações condicionais, permitindo que criadores automatizem geração de narrativas, legendas de imagens e descrições dinâmicas de cenas. Seu design modular possibilita integração perfeita com nós existentes, capacitando artistas e desenvolvedores a construir fluxos de trabalho sofisticados de IA sem necessidade de programação.

Isek é uma plataforma centrada no desenvolvedor para construir agentes de IA com arquitetura modular. Oferece um sistema de plugins para ferramentas e fontes de dados, memória embutida para retenção de contexto e um mecanismo de planejamento para coordenar tarefas de múltiplos passos. Você pode implantar agentes localmente ou na nuvem, integrar qualquer backend de LLM e expandir funcionalidades via módulos comunitários ou personalizados. Isek simplifica a criação de chatbots, assistentes virtuais e fluxos de trabalho automatizados fornecendo templates, SDKs e ferramentas CLI para desenvolvimento ágil.

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.

mcp-agent-graph fornece uma camada de orquestração baseada em grafo para agentes de IA, permitindo que os desenvolvedores mapeiem fluxos de trabalho complexos de várias etapas como grafos direcionados. Cada nó do grafo corresponde a uma tarefa ou função de agente, capturando entradas, saídas e dependências. As arestas definem o fluxo de dados entre os agentes, garantindo a ordem correta de execução. O mecanismo suporta modos de execução sequencial e paralela, resolução automática de dependências e integração com funções Python personalizadas ou serviços externos. A visualização integrada permite aos usuários inspecionar a topologia do grafo e depurar fluxos de trabalho. Este framework agiliza o desenvolvimento de sistemas modulares e escaláveis de múltiplos agentes para processamento de dados, fluxos de trabalho de linguagem natural ou pipelines de modelos de IA combinados.

O NKC Multi-Agent Models fornece a pesquisadores e desenvolvedores uma ferramenta completa para projetar, treinar e avaliar sistemas de aprendizado por reforço multiagente. Possui uma arquitetura modular onde os usuários definem políticas personalizadas de agentes, dinâmicas ambientais e estruturas de recompensa. A integração perfeita com OpenAI Gym permite prototipagem rápida, enquanto o suporte a TensorFlow e PyTorch oferece flexibilidade na escolha dos backends de aprendizagem. A estrutura inclui utilitários para replay de experiência, treinamento centralizado com execução descentralizada e treinamento distribuído em múltiplas GPUs. Módulos extensos de registro e visualização capturam métricas de desempenho, facilitando o benchmarking e o ajuste de hiperparâmetros. Ao simplificar a configuração de cenários cooperativos, competitivos e de motivações mistas, o NKC Multi-Agent Models acelera experimentos em domínios como veículos autônomos, enxames robóticos e inteligência de jogos.

RainbowGPT fornece uma estrutura completa para projetar, personalizar e implantar agentes de IA alimentados por modelos da OpenAI. Inclui um backend FastAPI, integração com LangChain para gerenciamento de ferramentas e memória, e uma interface UI baseada em React para criação e teste de agentes. Usuários podem fazer upload de documentos para recuperação de conhecimento baseada em vetores, definir prompts e comportamentos personalizados e conectar APIs ou funções externas. A plataforma registra interações para análise e suporta fluxos de trabalho multiagentes, possibilitando automação complexa e pipelines de conversação.

SquadflowAI Studio permite aos usuários compor visualmente agentes de IA definindo funções, tarefas e comunicações entre agentes. Os agentes podem ser encadeados para lidar com processos complexos de várias etapas—consultando bancos de dados ou APIs, realizando ações e passando contexto entre si. A plataforma suporta extensões de plugins, depuração em tempo real e registros passo a passo. Os desenvolvedores configuram prompts, gerenciam estados de memória e definem lógica condicional sem necessidade de código boilerplate. Modelos do OpenAI, Anthropic e LLMs locais são suportados. As equipes podem implantar fluxos de trabalho via endpoints REST ou WebSocket, monitorar métricas de desempenho e ajustar comportamentos dos agentes através de um painel centralizado.

Team of AI Agents fornece uma arquitetura modular para construir e implantar sistemas multi-agentes. Cada agente opera com papéis distintos, utilizando um armazenamento global de memória e contextos locais para retenção de conhecimento. O framework suporta mensagens assíncronas, uso de ferramentas via adaptadores e realocação dinâmica de tarefas com base nos resultados dos agentes. Os desenvolvedores configuram agentes através de scripts YAML ou Python, possibilitando especialização por tópicos, hierarquia de objetivos e gerenciamento de prioridades. Inclui métricas embutidas para avaliação de desempenho e depuração, facilitando iteração rápida. Com uma arquitetura de plugins extensível, os usuários podem integrar modelos NLP personalizados, bancos de dados ou APIs externas. Team of AI Agents acelera fluxos de trabalho complexos aproveitando a inteligência coletiva de agentes especializados, tornando-se ideal para ambientes de pesquisa, automação e simulação.

ThreeAgents é construído em Python, aproveitando a API de conclusões de chat da OpenAI para instanciar múltiplos agentes de IA com papéis distintos (sistema, assistente, usuário). Fornece abstrações para prompts de agentes, manipulação de mensagens baseada em papéis e gerenciamento de memória de contexto. Desenvolvedores podem definir templates de prompt personalizados, configurar personalidades de agentes e encadear interações para simular diálogos realistas ou fluxos de trabalho orientados por tarefas. A estrutura lida com passagem de mensagens, gerenciamento de janela de contexto e registro, permitindo experimentos em tomada de decisão colaborativa ou decomposição hierárquica de tarefas. Com suporte para variáveis de ambiente e agentes modulares, o ThreeAgents permite troca perfeita entre backends LLM do OpenAI e locais, facilitando a prototipagem rápida de sistemas de IA multi-agente. Vem com scripts de exemplo e suporte a Docker para configuração rápida.

VMAS é um kit completo para construir e treinar sistemas multiagentes usando aprendizado por reforço profundo. Suporta simulação paralela baseada em GPU de centenas de instâncias de ambientes, permitindo coleta de dados de alta taxa e treinamento escalável. Inclui implementações de algoritmos populares de MARL como PPO, MADDPG, QMIX e COMA, juntamente com interfaces modulares de políticas e ambientes para prototipagem rápida. O framework facilita o treinamento centralizado com execução descentralizada (CTDE), oferece ajuste de recompensa personalizável, espaços de observação e hooks de callback para logging e visualização. Com seu design modular, o VMAS integra-se perfeitamente com modelos PyTorch e ambientes externos, tornando-se ideal para pesquisa em tarefas cooperativas, competitivas e de motivos mistos, abrangendo robótica, controle de tráfego, alocação de recursos e cenários de IA de jogos.

Wumpus LLM Agent foi desenvolvido para simplificar o desenvolvimento de agentes avançados de IA Socratic, oferecendo utilitários de orquestração pré-construídos, templates estruturados de prompt e integração perfeita de ferramentas. Usuários definem personas de agentes, conjuntos de ferramentas e fluxos de conversa, aproveitando a gestão de cadeia de pensamento embutida para raciocínio transparente. A estrutura lida com troca de contexto, recuperação de erros e armazenamento de memória, permitindo processos de decisão em múltiplas etapas. Inclui uma interface de plugins para APIs, bancos de dados e funções personalizadas, permitindo que os agentes naveguem na web, consultem bases de conhecimento ou executem códigos. Com logs e depuração abrangentes, desenvolvedores podem rastrear cada passo de raciocínio, ajustar o comportamento do agente e implantar em qualquer plataforma que suporte Python 3.7+.

A2A (Arquitetura de Agente para Agente) é uma estrutura de código aberto do Google que permite o desenvolvimento e operação de agentes de IA distribuídos que trabalham juntos. Oferece componentes modulares para definir papéis de agentes, canais de comunicação e memória compartilhada. Os desenvolvedores podem integrar diversos provedores de LLM, personalizar comportamentos de agentes e orquestrar fluxos de trabalho de múltiplas etapas. A2A inclui recursos integrados de monitoramento, gerenciamento de erros e capacidades de reprodução para rastrear interações de agentes. Ao fornecer um protocolo padronizado para descoberta de agentes, passagem de mensagens e alocação de tarefas, A2A simplifica padrões de coordenação complexa e aumenta a confiabilidade ao escalar aplicações baseadas em agentes em ambientes diversos.

Agent Forge fornece uma arquitetura modular para definir, executar e coordenar agentes de IA. Oferece APIs de orquestração de tarefas integradas para sequenciar e paralelizar operações, módulos de memória para retenção de contexto de longo prazo e um sistema de plugins para integrar serviços externos (por exemplo, LLMs, bancos de dados, APIs de terceiros). Os desenvolvedores podem prototipar, testar e implantar rapidamente agentes na produção, combinando fluxos de trabalho complexos sem gerenciar infraestrutura de baixo nível.

AgentCrew foi projetado para simplificar a criação e gerenciamento de agentes de IA, abstraindo funcionalidades comuns como ciclo de vida do agente, persistência de memória, agendamento de tarefas e comunicação entre agentes. Desenvolvedores podem definir perfis personalizados de agentes, especificar gatilhos e condições, e integrar-se com provedores de LLMs como OpenAI e Anthropic. A estrutura fornece SDK em Python, ferramentas CLI, endpoints RESTful e um painel web intuitivo para monitorar o desempenho dos agentes. Recursos de automação de fluxo de trabalho permitem que os agentes trabalhem em paralelo ou sequencialmente, troquem mensagens e registrem interações para auditoria e requalificação. A arquitetura modular suporta extensões por plugins, permitindo às organizações adaptar a plataforma a diversos casos de uso, desde chatbots de atendimento ao cliente até assistentes de pesquisa automatizada e pipelines de extração de dados.

Agent ChatRoom fornece um ambiente flexível para construir e executar sistemas de conversa multiagente. Os usuários podem criar agentes com personas e prompts únicos, encaminhar mensagens entre agentes e visualizar históricos de conversa em uma interface moderna. Integra-se às APIs da OpenAI, suporta configuração personalizada de comportamentos de agentes e pode ser implantado em qualquer serviço de hospedagem estático. Desenvolvedores se beneficiam de uma arquitetura modular, ajuste fácil de prompts e uma interface responsiva para testar cenários de colaboração de IA.