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.

MGym é uma estrutura especializada para criar e gerenciar ambientes de aprendizado por reforço multiagente (MARL) em Python. Permite aos usuários definir cenários complexos com múltiplos agentes, cada um com espaços de observação e ação ajustáveis, funções de recompensa e regras de interação. MGym suporta modos de execução síncrona e assíncrona, oferecendo simulação de agentes em paralelo e por turnos. Com uma API similar à do Gym, MGym integra-se facilmente com bibliotecas populares de RL como Stable Baselines, RLlib e PyTorch. Inclui módulos utilitários para benchmarking de ambientes, visualização de resultados e análise de desempenho, facilitando a avaliação sistemática de algoritmos MARL. Sua arquitetura modular permite prototipagem rápida de tarefas cooperativas, competitivas ou de agentes mistos, capacitando pesquisadores e desenvolvedores a acelerarem experimentações e pesquisas em MARL.