DreamGPT é uma plataforma versátil de código aberto projetada para simplificar o desenvolvimento, configuração e implantação de agentes de IA alimentados por modelos GPT. Disponibiliza um SDK Python intuitivo e uma interface de linha de comando para estruturar novos agentes, gerenciar histórico de conversas com backends de memória plugáveis e integrar ferramentas externas via um sistema de plugins padronizado. Os desenvolvedores podem definir fluxos de prompt personalizados, conectar-se a APIs ou bancos de dados para geração aprimorada por recuperação e monitorar o desempenho do agente através de logs e telemetria integrados. A arquitetura modular do DreamGPT suporta escalabilidade horizontal em ambientes de nuvem e garante o manuseio seguro de dados de usuários. Com modelos pré-construídos para assistentes, chatbots e trabalhadores digitais, as equipes podem prototipar rapidamente agentes de IA especializados para atendimento ao cliente, análise de dados, automação e mais.

A Câmara de Tempo Hiperbólica fornece um ambiente flexível para construir agentes de IA, oferecendo componentes para gerenciamento de memória, orquestração de janelas de contexto, encadeamento de prompts, integração de ferramentas e controle de execução. Os desenvolvedores definem comportamentos de agentes por meio de blocos de construção modulares, configuram memórias personalizadas (de curto e longo prazo) e vinculam APIs externas ou ferramentas locais. A estrutura inclui suporte a assíncrono, registro e utilitários de depuração, permitindo iteração rápida e implantação de agentes conversacionais ou orientados a tarefas sofisticados em projetos Python.

Sistemas Multi-Agentes foi projetado para simplificar a criação, configuração e execução de arquiteturas de agentes distribuídos. Os desenvolvedores podem definir comportamentos de agentes, ontologias de comunicação e descrições de serviços dentro de classes Java. A estrutura gerencia a configuração de containers, transporte de mensagens e ciclo de vida dos agentes. Baseado nos protocolos padrão FIPA, suporta negociação peer-to-peer, planejamento colaborativo e extensão modular. Os usuários podem executar, monitorar e depurar cenários multiagente em uma única máquina ou em hosts conectados em rede, tornando-se ideal para pesquisa, educação e implantações de pequena escala.

Promptix Python é uma estrutura de código aberto para construir agentes de IA autônomos em Python. Com uma instalação simples via pip, você pode instanciar agentes alimentados por qualquer grande LLM, registrar ferramentas específicas de domínio, configurar bancos de dados em memória ou persistentes e orquestrar ciclos de decisão de múltiplas etapas. O SDK suporta streaming em tempo real de saídas de tokens, manipuladores de callbacks para registro ou processamento personalizado e módulos de memória integrados para manter o contexto ao longo das interações. Desenvolvedores podem usar esta biblioteca para criar protótipos de assistentes de chatbot, automações, pipelines de dados ou agentes de pesquisa em minutos. Seu design modular permite trocar modelos, adicionar ferramentas personalizadas e ampliar backends de memória, oferecendo flexibilidade para uma ampla variedade de casos de uso de agentes 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.

Agentle fornece uma estrutura organizada para desenvolvedores construírem agentes de IA personalizados com mínimo código boilerplate. Suporta definir fluxos de trabalho como sequências de tarefas, integração perfeita com APIs e ferramentas externas, gerenciamento de memória de conversação para preservação de contexto e registro integrado para auditoria. A biblioteca também oferece ganchos para plugins para estender funcionalidades, coordenação de múltiplos agentes para pipelines complexos e uma interface unificada para executar agentes localmente ou implantar via APIs HTTP.

Agents-Deep-Research é projetado para simplificar o desenvolvimento e testes de agentes de IA autônomos ao oferecer uma base de código modular e extensível. Possui um motor de planejamento de tarefas que decompose metas definidas pelo usuário em subtarefas, um módulo de memória de longo prazo que armazena e recupera contexto, e uma camada de integração de ferramentas que permite aos agentes interagir com APIs externas e ambientes simulados. A estrutura também fornece scripts de avaliação e ferramentas de benchmark para medir o desempenho do agente em diversos cenários. Construído sobre Python e adaptável a diferentes backends de LLM, permite que pesquisadores e desenvolvedores criem rapidamente protótipos de novas arquiteturas de agentes, realizem experimentos reproduzíveis e comparem diferentes estratégias de planejamento sob condições controladas.

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.

GenerativeAgentsCN é uma adaptação de código aberto do framework Stanford Generative Agents, projetada para simular personas digitais realistas. Combinando grandes modelos de linguagem com um módulo de memória de longo prazo, rotinas de reflexão e lógica de planejador, orquestra agentes que percebem o contexto, recordam interações passadas e decidem autonomamente suas próximas ações. O kit fornece notebooks Jupyter prontos para uso, componentes Python modulares e documentação abrangente em chinês para orientar os usuários na configuração de ambientes, definição de características de agentes e personalização de parâmetros de memória. Use-o para explorar comportamentos de NPCs alimentados por IA, protótipos de bots de atendimento ao cliente ou pesquisa acadêmica sobre cognição de agentes. Com APIs flexíveis, desenvolvedores podem estender algoritmos de memória, integrar LLMs personalizados e visualizar interações de agentes em tempo real.

O Langroid fornece uma estrutura abrangente de agentes que capacita desenvolvedores a construir aplicações sofisticadas baseadas em IA com esforço mínimo. Apresenta um design modular permitindo personas de agentes personalizadas, memória com estado para retenção de contexto e integração fluida com grandes modelos de linguagem (LLMs) como OpenAI, Hugging Face e endpoints privados. Os kits de ferramentas do Langroid permitem que os agentes executem código, recuperem dados de bancos de dados, chamem APIs externas e processem entradas multimodais como texto, imagens e áudio. Seu mecanismo de orquestração gerencia fluxos de trabalho assíncronos e chamadas de ferramentas, enquanto o sistema de plugins facilita a extensão das capacidades do agente. Ao abstrair interações complexas com LLMs e gerenciamento de memória, o Langroid acelera o desenvolvimento de chatbots, assistentes virtuais e soluções de automação de tarefas para diversas indústrias.

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.

LLPhant é uma estrutura de Python de código aberto que permite aos desenvolvedores criar agentes versáteis alimentados por LLM. Oferece abstrações incorporadas para integração de ferramentas (APIs, buscas, bancos de dados), gerenciamento de memória para conversas de múltiplos turnos e loops de decisão personalizáveis. Com suporte para múltiplos backends LLM (OpenAI, Hugging Face, outros), componentes estilo plugin e fluxos de trabalho baseados em configuração, o LLPhant acelera o desenvolvimento de agentes. Use-o para criar protótipos de chatbots, automatizar tarefas ou construir assistentes digitais que utilizem ferramentas externas e memória contextual sem código boilerplate.

A Simulação Multi Agente oferece uma API flexível para definir classes de Agentes com sensores, atuadores e lógica de decisão personalizados. Usuários configuram ambientes com obstáculos, recursos e protocolos de comunicação, e então executam laços de simulação baseados em passos ou em tempo real. Recursos integrados de logging, agendamento de eventos e integração com Matplotlib auxiliam no acompanhamento dos estados dos agentes e na visualização dos resultados. O design modular permite fácil extensão com novos comportamentos, ambientes e otimizações de desempenho, tornando-se ideal para pesquisa acadêmica, fins educativos e prototipagem de cenários multiagente.

SeeAct foi projetado para capacitar agentes de visão-linguagem com um pipeline de duas etapas: um módulo de planejamento alimentado por grandes modelos de linguagem que gera subobjetivos com base em cenas observadas, e um módulo de execução que traduz subobjetivos em ações específicas do ambiente. Uma espinha dorsal de percepção extrai características de objetos e cenas de imagens ou simulações. A arquitetura modular permite substituição fácil de planejadores ou redes de percepção, e suporta avaliação em AI2-THOR, Habitat e ambientes personalizados. SeeAct acelera a pesquisa em IA interativa incorporada, fornecendo decomposição de tarefas de ponta a ponta, fundamentação e execução.