Azure AI Foundry Agents Samples fornece aos desenvolvedores um conjunto completo de cenários de exemplo que ilustram como aproveitar os SDKs e serviços do Azure AI Foundry. Inclui agentes conversacionais com memória de longo prazo, agentes planejadores que dividem tarefas complexas, agentes com chamadas a APIs externas e agentes multimodais combinando texto, visão e fala. Cada exemplo vem pré-configurado com configurações de ambiente, orquestração de LLM, busca vetorial e telemetria para acelerar prototipagem e implantação de soluções de IA robustas no Azure.

O Workshop de Agentes de IA é um repositório abrangente que oferece exemplos práticos e templates para desenvolver Agentes de IA com Python. Inclui notebooks Jupyter demonstrando estruturas de agentes, integrações de ferramentas (por exemplo, busca na web, operações de arquivo, consultas a banco de dados), mecanismos de memória e raciocínio multi-etapas. Os usuários aprendem a configurar planejadores de agentes personalizados, definir esquemas de ferramentas e implementar fluxos de trabalho conversacionais baseados em loops. Cada módulo apresenta exercícios sobre manejo de falhas, otimização de prompts e avaliação das saídas do agente. A base de código suporta chamadas de funções do OpenAI e conectores LangChain, permitindo extensa extensão para tarefas específicas de domínio. Ideal para desenvolvedores que desejam fazer protótipos de assistentes autônomos, bots de automação de tarefas ou agentes de perguntas e respostas, fornecendo uma trajetória passo a passo do agente básico até fluxos de trabalho avançados.

AutoGen Hands-On fornece um ambiente estruturado para aprender o uso do framework AutoGen através de exemplos práticos em Python. Orienta os usuários a clonar o repositório, instalar dependências e configurar chaves de API para implantar configurações multiagente. Cada script demonstra funcionalidades-chave, como definir papéis de agentes, memória de sessões, roteamento de mensagens e padrões de orquestração de tarefas. O código inclui logs, tratamento de erros e hooks extensíveis que permitem personalizar o comportamento dos agentes e a integração com serviços externos. Os usuários ganham experiência prática na construção de fluxos de trabalho colaborativos de IA, onde múltiplos agentes interagem para completar tarefas complexas, de chatbots de suporte ao cliente a pipelines automatizadas de processamento de dados. O tutorial promove as melhores práticas de coordenação multiagente e desenvolvimento de IA escalável.

CrewAI-Learning é uma biblioteca de código aberto projetada para agilizar projetos de aprendizagem por reforço multiagente. Oferece estruturas de ambiente, definições modulares de agentes, funções de recompensa personalizáveis e um conjunto de algoritmos embutidos como DQN, PPO e A3C adaptados para tarefas colaborativas. Usuários podem definir cenários, gerenciar ciclos de treino, registrar métricas e visualizar resultados. O framework suporta configuração dinâmica de equipes de agentes e estratégias de compartilhamento de recompensas, facilitando o prototipagem, avaliação e otimização de soluções de IA cooperativa em várias áreas.

LangGraph Learn combina uma interface de programação visual com um SDK Python subjacente para ajudar os usuários a construir fluxos de trabalho complexos de agentes de IA como gráficos direcionados. Cada nó representa um componente funcional, como templates de prompts, chamadas de modelo, lógica condicional ou processamento de dados. Os usuários podem conectar nós para definir a ordem de execução, configurar propriedades dos nós através da GUI e executar a pipeline passo a passo ou totalmente. Painéis de registro e depuração em tempo real exibem resultados intermediários, enquanto templates integrados aceleram padrões comuns como responder perguntas, resumir ou recuperar conhecimentos. Gráficos podem ser exportados como scripts Python independentes para implantação em produção. LangGraph Learn é ideal para educação, prototipagem rápida e desenvolvimento colaborativo de agentes de IA sem precisar de codificação extensa.

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.

MAGI (Inteligência Generativa de IA Modular) é uma estrutura de código aberto projetada para simplificar a criação e gerenciamento de agentes de IA. Oferece uma arquitetura de plug-ins para integração personalizada de ferramentas, módulos de memória persistente, planejamento em cadeia de pensamentos e orquestração em tempo real de fluxos de trabalho multilaterais. Os desenvolvedores podem registrar APIs externas ou scripts locais como ferramentas do agente, configurar backends de memória e definir políticas de tarefas. O design extensível do MAGI suporta tarefas síncronas e assíncronas, tornando-o ideal para chatbots, pipelines de automação e protótipos de pesquisa.

MineLand fornece um ambiente de sandbox 3D flexível inspirado no Minecraft para treinar agentes de reforço de aprendizado. Possui APIs compatíveis com Gym para integração perfeita com bibliotecas RL existentes, como Stable Baselines, RLlib e implementações personalizadas. Os usuários terão acesso a uma biblioteca de tarefas, incluindo coleta de recursos, navegação e desafios de construção, cada uma com dificuldade e estruturas de recompensa configuráveis. Renderização em tempo real, cenários multi-agentes e modos sem cabeça permitem treinamento e benchmarking escaláveis. Desenvolvedores podem criar novos mapas, definir funções de recompensa personalizadas e plugins adicionais de sensores ou controles. O código aberto do MineLand promove pesquisa reprodutível, desenvolvimento colaborativo e prototipagem rápida de agentes de IA em mundos virtuais complexos.

Multi-Agent é um kit de ferramentas de desenvolvedor que ajuda você a construir e orquestrar múltiplos agentes de IA rodando em paralelo. Cada agente mantém sua própria memória, configuração de prompt e fila de mensagens. Você pode definir comportamentos personalizados, configurar canais de comunicação entre agentes e delegar tarefas automaticamente com base nos papéis dos agentes. Aproveita a API Chat da OpenAI para compreensão e geração de linguagem, oferecendo componentes modulares para orquestração de fluxo de trabalho, registro e tratamento de erros. Isso possibilita a criação de agentes especializados — como assistentes de pesquisa, processadores de dados ou bots de suporte ao cliente — que trabalham juntos em tarefas multifacetadas.

Multi-Agent-AI-Dynamic-Interaction oferece um ambiente flexível para projetar, configurar e executar sistemas compostos por múltiplos agentes de IA autônomos. Cada agente pode receber papéis, objetivos e protocolos de comunicação específicos. A estrutura gerencia a passagem de mensagens, o contexto da conversa e interações sequenciais ou paralelas. Ela suporta integração com OpenAI GPT, outras APIs de LLM e módulos personalizados. Os usuários definem cenários via YAML ou scripts Python, especificando detalhes do agente, etapas do fluxo de trabalho e critérios de parada. O sistema registra todas as interações para depuração e análise, permitindo controle detalhado sobre os comportamentos dos agentes para experimentos em colaboração, negociação, tomada de decisão e resolução de problemas complexos.

OpenAgent oferece um framework completo para desenvolver agentes de IA autônomos que podem compreender tarefas, planejar ações múltiplas etapas e interagir com serviços externos. Ao se integrar com LLMs como OpenAI e Anthropic, possibilita raciocínio em linguagem natural e tomada de decisão. A plataforma apresenta um sistema de ferramentas pluggable para executar requisições HTTP, operações com arquivos e funções Python personalizadas. Módulos de gerenciamento de memória permitem que os agentes armazenem e recuperem informações contextuais ao longo das sessões. Desenvolvedores podem estender a funcionalidade via plugins, configurar a transmissão em tempo real de respostas e utilizar ferramentas integradas de registro e avaliação para monitorar o desempenho do agente. OpenAgent simplifica a orquestração de fluxos de trabalho complexos, acelera a prototipagem de assistentes inteligentes e garante uma arquitetura modular para aplicações de IA escaláveis.

MADDPG escalável é uma estrutura orientada à pesquisa para aprendizado por reforço multiagente, oferecendo uma implementação escalável do algoritmo MADDPG. Possui críticos centralizados durante o treinamento e atores independentes em tempo de execução para estabilidade e eficiência. A biblioteca inclui scripts Python para definir ambientes personalizados, configurar arquiteturas de rede e ajustar hiperparâmetros. Os usuários podem treinar múltiplos agentes em paralelo, monitorar métricas e visualizar curvas de aprendizado. Integra-se com ambientes semelhantes ao OpenAI Gym e suporta aceleração GPU via TensorFlow. Ao fornecer componentes modulares, o MADDPG escalável permite experimentações flexíveis em tarefas multiagente cooperativas, competitivas ou mistas, facilitando prototipagem rápida e benchmarking.

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.

O Strands Agents oferece uma arquitetura modular para criar agentes inteligentes que combinam raciocínio em linguagem natural, memória de longo prazo e chamadas a APIs/ferramentas externas. Permite aos desenvolvedores configurar componentes de planejamento, execução e memória, inserir qualquer LLM (por exemplo, OpenAI, Hugging Face), definir esquemas de ação personalizados e gerenciar o estado entre tarefas. Com recursos integrados de registro, tratamento de erros e registro extensível de ferramentas, acelera a prototipagem e implantação de agentes capazes de pesquisar, analisar dados, controlar dispositivos ou servir como assistentes digitais. Ao abstrair padrões comuns de agentes, reduz o código boilerplate e promove melhores práticas para uma automação confiável e de fácil manutenção movida por IA.

O ChainLite simplifica a criação de agentes de IA ao abstrair as complexidades da orquestração de LLM em módulos de cadeia reutilizáveis. Usando decoradores Python simples e arquivos de configuração, os desenvolvedores definem comportamentos de agentes, interfaces de ferramentas e estruturas de memória. A estrutura integra-se com provedores populares de LLM (OpenAI, Cohere, Hugging Face) e fontes de dados externas (APIs, bancos de dados), permitindo que os agentes obtenham informações em tempo real. Com uma UI baseada em navegador, alimentada pelo Streamlit, os usuários podem inspecionar o histórico de conversas por token, depurar prompts e visualizar gráficos de execução de cadeia. O ChainLite suporta múltiplos destinos de implantação, de desenvolvimento local a containers de produção, facilitando a colaboração entre cientistas de dados, engenheiros e equipes de produto.

Agentes em evolução fornece uma estrutura baseada em programação genética para construir e evoluir agentes de IA modulares. Os usuários montam arquiteturas de agentes a partir de componentes intercambiáveis, definem simulações de ambientes e métricas de aptidão, e então executam ciclos evolutivos para gerar automaticamente comportamentos de agentes aprimorados. A biblioteca inclui ferramentas para mutação, cruzamento, gerenciamento de população e monitoramento da evolução, permitindo que pesquisadores e desenvolvedores criem protótipos, testem e aprimorem agentes autônomos em ambientes simulados diversos.

GoLC fornece aos desenvolvedores um conjunto completo de ferramentas para construir cadeias de modelos de linguagem e agentes em Go. Em seu núcleo, inclui gerenciamento de cadeias, templates de prompts personalizáveis e integração fluida com os principais provedores de LLM. Por meio de carregadores de documentos e lojas vetoriais, GoLC habilita recuperação baseada em embeddings, alimentando fluxos de trabalho RAG. O framework suporta módulos de memória com estado para contextos de conversação e uma arquitetura leve de agentes para orquestrar raciocínios de múltiplos passos e chamadas de ferramentas. Seu design modular permite conectar ferramentas personalizadas, fontes de dados e manipuladores de saída. Com performance nativa de Go e dependências mínimas, GoLC agiliza o desenvolvimento de pipelines de IA, sendo ideal para criar chatbots, assistentes de conhecimento, agentes de raciocínio automatizado e serviços AI de produção em Go.

O llm-ReAct implementa a arquitetura ReAct (Reasoning and Acting) para modelos de linguagem de grande porte, permitindo uma integração contínua do raciocínio de cadeia de pensamento com execução de ferramentas externas e armazenamento de memória. Os desenvolvedores podem configurar um conjunto de ferramentas personalizadas — como busca na web, consultas a bancos de dados, operações com arquivos e calculadoras — e instruir o agente a planejar tarefas de múltiplos passos, invocando as ferramentas conforme necessário para recuperar ou processar informações. O módulo de memória embutido preserva o estado da conversa e ações passadas, apoiando comportamentos de agente mais conscientes do contexto. Com código modular em Python e suporte às APIs OpenAI, o llm-ReAct simplifica experimentos e a implantação de agentes inteligentes capazes de resolver problemas de forma adaptativa, automatizar fluxos de trabalho e fornecer respostas ricas em contexto.

Simple Playgrounds fornece uma plataforma modular para construir ambientes interativos em grade 2D, onde os agentes podem navegar por labirintos, interagir com objetos e completar tarefas. Os usuários definem layouts do ambiente, comportamentos de objetos e funções de recompensa via scripts simples em YAML ou Python. O renderizador integrado do Pygame oferece visualização em tempo real, enquanto uma API baseada em passos garante integração perfeita com bibliotecas de aprendizado por reforço, como Stable Baselines3. Com suporte para configurações multiagente, detecção de colisões e parâmetros de física personalizáveis, o Simple Playgrounds agiliza a prototipagem, benchmarking e demonstrações educacionais de algoritmos de IA.

AgentInteraction é um framework em Python orientado a desenvolvedores, projetado para simular, coordenar e avaliar interações entre múltiplos agentes usando grandes modelos de linguagem. Permite aos usuários definir papéis distintos para os agentes, controlar o fluxo de conversa por meio de um gerenciador central e integrar qualquer provedor de LLM via uma API consistente. Com recursos como roteamento de mensagens, gerenciamento de contexto e análises de desempenho, o AgentInteraction simplifica experimentos com arquiteturas colaborativas ou competitivas de agentes, facilitando o prototipagem de cenários complexos de diálogo e a medição de taxas de sucesso.